人类设计师被AI碾压?神秘模型Gestalt杀疯了,它到底是谁家的? - 蝈蝈俊

人类设计师被AI碾压?神秘模型Gestalt杀疯了,它到底是谁家的? - 蝈蝈俊

💡 原文中文,约3200字,阅读约需8分钟。
📝

内容提要

2026年11月,匿名模型Gestalt在OpenRouter隐身发布,在Contra Labs×BenchFlow商业设计基准上登顶:Elo 1931,盲评胜率90%,对人类参考设计领先192分,对Claude Fable 5.2领先218分;28次与人类设计稿对比中设计师20次选它。其AI痕迹检测仅1.2分,接近人类的0.9分。开发方未公开,大厂基本被排除,社区猜测集中于中国团队,智谱热度最高,人大同名学术项目提供另一线索,但均无官方确认。

🔎

延伸解读

领先幅度为何值得注意

在AI模型之间通常只差几十分的语境下,Gestalt对人类参考设计领先192分、对Claude Fable 5.2领先218分,盲评胜率90%。更关键的是28次与人类设计稿的正面盲评中,设计师20次选择Gestalt。这说明其优势并非微弱领先,而是显著超出常规竞争范围,但需注意这仅针对商业设计这一特定基准。

AI痕迹检测的参考价值

基准团队设置0到100分的“slop检测器”,人类参考设计得0.9分,Gestalt仅1.2分,而Claude系列31到38分、GPT系列41到53分、Gemini系列54到57分。Gestalt与人类几乎在误差范围内,表明其输出较少带有常见AI设计特征。不过该检测器基于训练数据中93%样本的识别特征,其覆盖范围有限。

身份猜测的线索与局限

大厂基本被排除,社区猜测集中在中国团队,智谱热度最高,依据是GLM-5.5发布时间窗口接近及“Gestalt”与人大同名团队的重合。另有2026年9至10月人大等机构发表的同名多模态论文作为独立线索。但这些均无官方确认,且存在Gestalt为路由或组合系统的猜测,身份问题可能比单一模型更复杂。

基准测试的真实性设计

该基准基于33个真实设计简报和68位专业设计师的4311次盲测投票,其中27个简报来自Contra上真实客户委托。真实需求说明中位数仅138词、预算约1050美元,且四分之三附带至少两项商业限制。35个评分维度与盲评相关系数达0.94,说明Gestalt的优势在可解释的设计质量维度上也成立,而非仅讨人喜欢。

❓

Q&A

Gestalt模型在哪个基准测试上拿了第一?成绩怎么样?

Gestalt在Contra Labs × BenchFlow的Frontier Design Benchmark上登顶,Elo分数1931,盲评胜率90%,对人类参考设计领先192分,对Claude Fable 5.2领先218分。

Gestalt和人类设计师直接对比的结果如何?

在28次将Gestalt作品与人类“golden”设计稿并排盲评的对比中,专业设计师有20次选择了Gestalt。

Gestalt的AI痕迹检测得分是多少?和其他模型比呢?

Gestalt的AI痕迹检测得分仅1.2分,接近人类的0.9分;而Claude系列为31-38分,GPT系列为41-53分,Gemini系列为54-57分。

为什么大家猜测Gestalt是智谱做的?

社区猜测集中在智谱,主要因为:时间点吻合,智谱下一代模型GLM-5.5传闻在Gestalt出现后不久发布;命名重合,中国人民大学高瓴人工智能学院有同名的“Gestalt团队”,而智谱与人大系存在人员和技术渊源。

Gestalt有没有可能是多个模型组合的系统?

有社区讨论提出,Gestalt可能并非单一基础模型,而是一个路由或组合系统,通过循环调用多个强模型(如Claude Fable与Astra)来获得超越单一模型的表现。

Frontier Design Benchmark这个基准是怎么评估设计的?

该基准基于4,311次盲测投票、33个真实设计简报和68位专业设计师的盲评,评估商业设计能力,任务来自真实客户委托,由专业设计师盲评投票。

🏷️

标签

➡️

继续阅读