SKY-001世界模型：AI 画零件图，比 GPT-6 快 51 倍

内容概要：25 人的 Skyfall 发布 SKY-001：一张发动机照片，3.9 秒拆出五级零件树，比 GPT-6 Astra 快 51 倍、便宜 150 倍。快的原因不是模型更大，是它不一次性画完。

丢一张发动机照片给 SKY-001，3.9 秒，这个 AI 还你一棵五级零件树：整机、总成、组件、零件、草图，外加造出每个零件的先后顺序。

这类 AI 有个名字叫「世界模型」——说白了，就是先在电脑里把东西长什么样、按什么顺序造想清楚，再动手画。它生成的不是好看的图，是设计和建造步骤。

同一件事，GPT-6 Astra 要 199 秒，单例成本 0.75 美元，是它的 150 倍。10 月 19 日，旧金山一家 25 人的公司 Skyfall 发布了它。它快，跟模型大小没关系。

它赢的不是聪明，是「不一次性想」。先把设计拆成层级，再让子节点并行——这个办法工程界用了一百年，做 AI 的人反而忘了。

产品发布视频

一、这家公司：卖掉一家，再买一家

Skyfall 的名气不在模型上，在人身上。

CEO Sam Pasupalak 和 CTO Kaheer Suleman 是滑铁卢大学的同学，认识快二十年，那会儿正赶上 AI 寒冬。2011 年两人一起办了 Maluuba，全球最早一批深度学习公司，和图灵奖得主 Yoshua Bengio、Richard Sutton 都有合作；他们做的对话 AI 通过三星、LG、黑莓进了数亿台设备。2017 年，微软以约 1.6 亿美元收购 Maluuba，团队成了微软在加拿大的 AI 研究力量。

九年后，三个人又凑到一起——加上 Sam 的弟弟、CPO Sumit Pasupalak——在旧金山和多伦多开了 Skyfall，2026 年 7 月才结束隐身期。

情况

团队

25 名研究员与工程师，来自微软 AI、多伦多大学、滑铁卢、阿尔伯塔、MILA

官网列出的背景

Keras 作者 François Chollet、Naveen Rao 等

投资方

Fidelity、Inovia、Touring、M13、NextView、Garage Capital（金额未披露）

官方目标

Enterprise World Model，最终做到「自主企业」

他们公开的第一件事不是发模型，是发公告买公司：预算不超过 100 万美元，收购一家真实在跑的 SaaS，然后把经营权交给 AI，人只负责签文件、开账户、报税。目标写得很硬——六个月营收翻倍，过程全部公开。

一群已经赢过一次的人，回来做的不是更会聊天的 AI，是敢签字的 AI——这个转向比模型本身更值得看。

Sam 解释过为什么绕开大模型：CEO 一周要做几百个决定，手边几千个数据点，靠预测下一个词干不了这个活。所以他赌的是「世界模型」——能在内部模拟因果、能做长期规划的那一类。

他们卖掉的那家公司做的是「听懂人话」，这次要做的是「想清后果」——两件事隔了十年，也隔着一个技术时代。

二、它做的事：把「画一个东西」拆成两步

回到 SKY-001。它的输入输出很朴素。

给一张工程产品的照片，它输出一棵装配树：整机拆成总成，总成拆成组件，组件拆到单个零件，每个零件配一张草图和几步建模操作。给一个楼层轮廓加一份简短任务书，它排出单元、走廊、房间，再画出这层楼是一笔一笔怎么画出来的。

和生成图片、生成视频的世界模型不同，它生成的是设计，以及建造这个设计的那串步骤。

拆成两段流水线：

阶段

做什么

输出

层级组合器

先出整体，再逐层拆分，最后精修每个叶节点

零件树（整机→总成→零件；楼层→单元→房间）

建造世界模型

一次生成一个操作，预测每一步的视觉状态

3D 状态序列，加每两步之间的草图

组合器回答「由什么组成」，建造模型回答「按什么顺序造」——两件事分开，那条会累积错误的长链才有机会变短。

技术底子三句话：核心模块全是扩散 Transformer（DiT）；画图这一路用一个「套娃式」自编码器，把每个画布状态压成一串编码，靠前的码管整体布局，靠后的码管细节；所以先在高压缩的空间里粗跑一遍，再用精修器全分辨率重画。

这套架构里没有一块砖是新的，新的是把砖按「先整体、再局部」的顺序砌起来——创新常常长这样，不体面，但管用。

三、51 倍从哪来：一条长链，还是一棵树

官方那段话值得原样读：

一个扁平模型必须一次性生成设计的每个零件、以及造它的每一步，形成一条长链，每个决定都依赖其他所有决定，错误会在上千步里累积。

分层的做法反过来：父节点一旦定下，子节点就能并行跑，像工程队分活；顺序步数随设计的深度增长，而不随规模增长。而且每一层都给下一层一个明确的子目标，所以一个螺栓的决定，几百步之后仍然和整台发动机对得上。

数字是这样（官方自测，1,000 个 CAD 零件、1,000 张平面图）：

任务

SKY-001

GPT-6 Astra

Gemini

差距

CAD 单例耗时

3.9 秒

199 秒

253 秒

约 51 倍

CAD 单例成本

$0.005

$0.75

$0.25

约 150 倍

CAD 几何重合度

79.7%

79.1%

76.9%

+0.6 点

BIM 单例耗时

1.22 秒

144.6 秒

346.2 秒

约 119 倍

BIM 几何重合度

43.6%

40.6%

42.3%

+3.0 点

同一批测试里还有 Qwen 3.8 Max（34.4%）和 Kimi K3（9.5%），Grok 4.7 一例都没跑完。另一场盲测里，两个 LLM 当评委给零件分解打分，SKY-001 拿 7.8，GPT-6 Astra 拿 6.4——后者只对 82% 的样本给出了模型。

（表里 Gemini 一列，CAD 那组是 Gemini 4，BIM 那组是 Gemini 3.8 Flash。）

在 CAD 这一组，快 51 倍、便宜 150 倍，质量只领先 0.6 个点——它赢的不是「更聪明」，是「更省」。

省在哪，才是这篇真正值得看的地方。

四、更值钱的是数据：6 个零件，洗成 288 个

Skyfall 公开的另一组数字，比跑分更硬。

他们说公开数据不能直接训练：装配树前后不一致、面重叠、几何重复、无关物体混进来、零件没有名字。于是他们重建层级，让每个节点都变成一个训练样本——从整机拆到装配体，再拆到单个零件。组合器因此学了 20 万+ 个零件，建造模型学了 60 万+ 个建造示例。

洗完之后是这样：

指标

PartVerse（公开数据集）

Skyfall 自建

每个物体的零件数（中位数）

6

288

99 分位

33

4,180

具体到东西：公开集里一辆 BMX 自行车 8 个零件，他们的 Fat Bike 是 988 个；一辆 Harley 34 个，他们的 Ducati 900SS 是 751 个；一台机甲机器人 85 个，他们的四足机器人 542 个。

注意，这不是「数据更多」，是同一份材料被切得更细、命名更清楚、层级更一致。

模型谁都能训，能拆到 4,180 个零件的数据集，别人一时半会追不上——这才是他们真正的护城河。

五、怎么用：现在还上不了车，但三条今天成立

先说现状：SKY-001 是研究预览，没有 API，没有权重，没有定价，官方的商用目标是 2027 年初。更关键的一条——它演示的建模步骤还不能直接交给 CAD 软件执行和修改，能看，不能改。

路线图里写着：草图序列会变成可执行操作，带可编辑的特征历史；能用一句话指挥设计（把支架加宽、把轴挪过去），并自动更新受影响的相邻零件；BIM 的输出会变成建筑模型里可继续编辑的墙、门、窗、房间；再往后是 PCB 和其他硬件。

所以「怎么用」目前只有三层答案：

层次

现在能做

什么时候

用模型

看官方演示、读技术稿，判断这条路成不成立

商用前

用方法

把流程或设计拆成层级，别压成一条长链

今天

用数据

给每个对象定名字、定层级、去重，攒成能训的资产

今天

第二条最容易被低估。你现在交给大模型的提示词，多半是一整段「给我生成一个 XX」；换成「先定整体结构，再逐层展开，每层只改一件事」，同一个模型的效果会立刻不一样。这不是 SKY-001 的专利，是分层的红利。

今天能用上的不是 SKY-001，是它证明的那个成本结构。

六、它可能改写的三件事

第一，垂直专用模型的价格锚点塌了。0.005 美元一个零件，意味着以前「不值得自动化」的长尾任务突然值得：一次生成两百个方案让人挑，过去算不起，现在算得起。Sam 自己在发布里引了杰文斯悖论——单位成本掉下去，总用量会涨上来。这句话对任何做垂直 AI 的人都成立。

第二，工业软件的计价方式会被重新问一遍。CAD 和 BIM 卖了三十年席位。当「生成一个方案」的成本接近零、还能批量出候选，采购早晚会问：我买的是软件，还是生成量？中小设计所第一次有机会用得起「方案比选」这种过去只有大院长做的事。

第三，会长出新岗位。生成的东西越多，验的人越值钱：谁判断这个零件能不能加工、这层楼能不能报建、这版图纸的责任人是谁。Skyfall 自己都把「可编辑、可执行」列成下一步——说明从「像」到「能用」这一段，仍然得靠人接。

机会不在「AI 会画图」上，在「画一张图的成本掉两个数量级」之后，谁会重新算一遍自己的生意。

七、三盆冷水，必须一起端出来

第一，43.6% 就是当前最好成绩。BIM 平面图的几何重合度 43.6% 已被算作超过前沿模型，但重合度只测「生成的和参考的重叠多少」，不测结构安全、不测合不合规、不测能不能施工。43.6% 的图纸，没人敢拿去报建。

第二，没有第三方复现。跑分是自家的，竞品是自家调的，评测集怎么组的没公开。官方推文说「击败所有前沿模型」，技术稿写的是「持平或超过」——0.6 个点的差距，落在提示词和调用方式的噪声里。

第三，官方自己留了一句免责。演示页下方写着：过渡是示意性的，保存的草图与 3D 几何可能对不上。

再补一条核查发现：中文转述里常见「快 100 倍、便宜 150 倍」，官方给的其实是 CAD 51 倍、BIM 119 倍。「100 倍」是两组数字取整后混着说——这种数字在转述中最容易变形。

看到「X 倍」先问一句「跟谁比、比的是什么」，这一问能过滤掉大半条 AI 新闻。

说法

状态

比前沿模型快得多、便宜得多

与官方表格一致，合理；未经复现

击败所有前沿模型

推文口径，技术稿只写「持平或超过」

数据质量远超公开数据集

自报；对比可查，数据不公开

结果能用到真实制造

未验证；输出只是草图和视觉状态

草图与 3D 几何一致

官方明确说可能不一致

演示能跑通，不等于生产能用；过程好看，不等于产物可验。

常见问题

Q：SKY-001 现在能免费用吗？

不能。它是研究预览，没有开放 API，也没有放出权重。官方给的时间表是 2027 年初商用，眼下能做的只有读技术稿、看演示。

Q：它和 Sora 那种世界模型有什么区别？

那一类生成的是「看起来像」的画面，给人看。SKY-001 生成的是设计本身和建造步骤，给下游的 CAD、BIM 用——它要的是几何对得上，不是画面好看。

Q：我不做 CAD，这篇跟我有什么关系？

两件事。一是成本：专用模型把单例成本压两个数量级，通用大模型做同一件事贵 150 倍，这个差距会重排很多行业的外包与自动化边界。二是方法：把复杂系统拆成层级再并行，比把模型堆大更有效——这个判断跟你用哪个模型无关。

一句总结

Skyfall 这轮真正的贡献，不是把速度提了 51 倍，而是证明了一件事：把复杂系统拆对层级，比把模型堆大更有效。顺带还证明了另一件事——二十五个人，只要拆得比大厂细，就能在一个小切口上跑赢。

如果你身边有做 CAD、BIM 或工业软件的朋友，这篇可以直接转给他——他多半正被同事问「大模型到底能不能替我们画图」。也想听听：你们现在把 AI 用在设计上，是拿它出草图，还是直接出图？

因个人认知所限，表述或有疏漏，欢迎同仁留言指正。

关注「AI 实验工场」，获取更多 AI 工具测评与产业观察。

参考来源

1. Skyfall Research《Introducing SKY-001: The First World Model for Engineering》，2026-10-19（架构、两阶段机制、全部性能与数据数字、免责声明、下一步规划）

2. Skyfall AI 官网（公司使命、三位创始人、25 人团队、投资方、官网列出的团队背景）

3. The AI Journal《Ex-Maluuba Team Launches Skyfall AI, a Neolab Building the First Autonomous Enterprise》，2026-07（Maluuba 与微软收购、100 万美元收购 SaaS 实验、Morpheus 平台）

4. BetaKit《They helped pioneer deep learning in Canada. Now they're building AI to replace CEOs》（滑铁卢相识、Maluuba 与 Bengio/Sutton 的合作、Sam 关于世界模型与 LLM 的表述）

5. Menlo Times《Skyfall AI Unveils SKY-001: A Frontier Engineering World Model》，2026-10-19（Sam 关于 token 成本与杰文斯悖论的引述、2027 年初商用目标）

6. 动察 Beats《Skyfall 推出工程世界模型：CAD 零件生成比 GPT-6 Astra 快 51 倍》，2026-10-19（研究预览状态、未开放 API 与权重、建模步骤尚不能交由 CAD 执行修改）

7. Flowtivity《SKY-001: What Skyfall's Engineering World Model Proves, and What It Doesn't》，2026-10-21（推文口径与技术稿口径的差异、评测未经独立复现、训练数据未公开）