A Roboflow szerint a GPT-6 Astra a legerősebb látásmodell

A GPT-6 Astra az objektumfelismerésben teljesített a legerősebben

A Roboflow 2026. szeptember 18-án közzétett értékelése szerint az OpenAI GPT-6 Astra elsősorban a számítógép-használathoz szükséges képességekre épít. A számítógépet kezelő modelleknek fel kell ismerniük a felületi elemeket, el kell olvasniuk a látható szöveget, és meg kell érteniük az egyes elemek szerepét. A Roboflow szerint ezek a készségek a számítógépes látási feladatokban is hasznosak.

A vállalat a Roboflow Vision Evals tesztjein vizsgálta az Astrát. A mérés objektumfelismerést, számlálást és vizuális következtetést tartalmazott, emellett külön tesztelték a dobozokkal történő promptolást, a szegmentálást, az újraazonosítást és a robotvezérlést is.

Objektumfelismerésben az Astra 82,1 százalékos mAP@50 eredményt ért el alacsony következtetési erőfeszítés mellett. A Roboflow szerint ez 5,4 ponttal jobb a Qwen3.8 Max, és 13,7 ponttal jobb a GPT-5.6 Sol eredményénél. A vállalat állítása szerint egyetlen versenytárs sem érte el ezt a pontszámot magas következtetési erőfeszítés mellett sem.

Egy LEGO-téglákat tartalmazó példában az Astra különválasztotta a 4×1-es, 4×2-es és 3×2-es elemeket, eltérő színek, elforgatás és részleges takarás mellett is. Ezen a feladaton 99,8 százalékos mAP@50 eredményt ért el.

Az Auto Annotate alapmodellje lett

A Roboflow szerint az Astra a legtöbb adathalmaznál jó kiindulópont lehet az automatikus címkézéshez. A modell képes értelmezni a gyakori kategóriákat, és gyakran pontosabb kereteket készít, mint a kézzel létrehozott címkék. A vállalat szerint a felhasználóknak ilyenkor jellemzően csak át kell nézniük az eredményeket, majd javítaniuk kell az esetleges hibákat.

Kivételt jelenthetnek azok a projektek, amelyekben ritkán előforduló, nyilvános adatokból nehezen megtanulható kategóriák szerepelnek, vagy amelyekhez vállalatspecifikus tudás szükséges. Az Astra lett a Roboflow Auto Annotate alapértelmezett modellje.

A Roboflow egy kosárlabdás példában azt mutatta be, hogy a modell a játékosokat a Celtics és a Knicks osztályába sorolja, pusztán a csapatnevek alapján. A vállalat szerint ugyanaz a prompt működött eltérő arénában, pályán, megvilágításban, mezőkben és játékos-összeállítás mellett is.

Az Astra általános látás és nyelvi modellként működik, nem hagyományos objektumfelismerőként. A Roboflow egy képet és a keresett osztályok listáját adja át neki, a modell pedig JSON-formátumban küldi vissza a felismert objektumokat és a hozzájuk tartozó határolókereteket. A vállalat a nagy képeket úgy méretezi át, hogy a hosszabbik oldaluk legfeljebb 2048 pixel legyen, majd az eredményeket visszatérképezi az eredeti képre.

Dobozpromptokkal és szöveges leírásokkal is irányítható

A modellnek nem feltétlenül kell osztálynevet megadni. A dobozpromptok vizuális példákkal határozzák meg, mit kell megtalálni. A pozitív dobozok a keresett objektumokat, a negatív dobozok a figyelmen kívül hagyandó példákat jelölik.

A Roboflow kockákat tartalmazó feladaton azt mérte, hogyan változik a teljesítmény több pozitív és negatív példa használatával. Egyetlen pozitív kockával a modell több kockatípus objektumait is felismerte. Három pozitív és három negatív dobozzal a találatok száma 49-ről kilencre csökkent, miközben a mAP@50 értéke 21,3 százalékról 90,1 százalékra nőtt.

Egy futballos példában a pontszám 46,9 százalékról 100,0 százalékra javult. A módszer képek között is átvihető. A Roboflow tesztjeiben a modell egy képen megjelölt fehér tabletták alapján egy másik képen sárga-fehér kapszulákat talált meg, a palackkupakokat pedig egy héttel később rögzített felvételen is felismerte. Mindkét példa 100,0 százalékos mAP@50 eredményt hozott.

Szegmentálásban a nyelvi értés, a pontosságban a SAM 3 előnye látszik

Szegmentálásnál az Astra határolókeretek helyett sokszögpontokat ad vissza strukturált JSON-formátumban, amelyből a Roboflow maszkokat készít. A vállalat ugyanazokat a képeket a SAM 3-mal is összevetette.

A Roboflow szerint az Astra legnagyobb előnye a nyelvi értés. Egy példában a SAM 3 nem talált meg három abroncsméret-jelölést, mert nem értette, melyik szöveget kellett keresnie. Az Astra mindhárom jelölést megtalálta és helyesen címkézte. Egy autós képen a SAM 3 több régiót tévesen sorolt be, például a hátsó ajtót első ajtóként, míg az Astra megkülönböztette ezeket.

A pontos maszkformák esetében viszont a Roboflow a SAM 3-at találta erősebbnek. A répákat ábrázoló példában az Astra megtalálta a célobjektumokat, de egyes körvonalai eltolódtak, illetve leegyszerűsítették a széleket. A SAM 3 részletesebb határokat készített. A Roboflow ezért olyan munkafolyamatot javasol, amelyben az Astra azonosítja a megfelelő objektumokat és határolókereteket, a SAM 3 pedig elkészíti a pontosabb maszkokat.

Számlálásban és vizuális következtetésben is vezetett

A számlálási teszten az Astra alacsony következtetési erőfeszítés mellett 80,2 százalékot, magas erőfeszítés mellett 81,1 százalékot ért el. A GPT-5.6 Sol eredménye ugyanezen a két beállításon 74,3, illetve 76,1 százalék volt.

A modell helyesen számolt meg 12 egymást részben takaró fémkonzolt egy alkatrésztartóban, és 22 üres helyet egy kontaktlencse-kijelzőn. Az utóbbi feladatban azt kellett felismernie, hogy hol hiányzik egy termék.

Vizuális következtetésben az Astra 87,2 százalékos pontosságot ért el alacsony, és 91,2 százalékos pontosságot magas következtetési erőfeszítés mellett. A legközelebbi versenytársak eredménye 82,1, illetve 84,5 százalék volt.

A Roboflow egyik példájában az Astra egy műszaki rajz alapján 2,742-es távolságot számolt ki úgy, hogy az érték közvetlenül nem szerepelt a rajzon. Egy másik feladatban helyesen állapította meg, hogy egy 28 000 kilogrammos rakományhoz hozzáadott 900 kilogramm meghaladná a konténerre nyomtatott, 28 800 kilogrammos terhelési határt.

Az Astra ingyenesen kipróbálható a Roboflow Playground felületén, ahol a felhasználók saját képeiken más modellekkel is összehasonlíthatják az eredményeit.