OpenAI добилась точности 80% в поиске ошибок сборки IKEA. В ноябре 2025-го лучший результат был 28%. Что внутри. Epoch AI выпустила Furniture Assembly Benchmark. Модели получают фото и инструкции и ищут, где человек собрал не так. Сравнили пять моделей: лидирует GPT-6 Astra — 80%, следом Claude Fable 5.1 с 70%, Claude Opus 5 с 61%. Китайский Kimi K3 отстаёт от топовых моделей примерно на 7 месяцев. Цифра. Рост с 28% до 80% — это плюс 52 процентных пункта за семь месяцев. Прогресс не линейный: еще в начале 2025 года модели едва справлялись с задачей. Бенчмарк тестировали всего на трёх предметах IKEA с намеренными ошибками. Насколько результат применим к реальным пользователям с непреднамеренными косяками — открытый вопрос. Что это значит: менее чем за год модели прошли путь от угадывания к надёжному обнаружению ошибок в физических задачах — это уже не игрушечный бенчмарк.