Kemampuan AI cek kesalahan rakit IKEA melonjak dari 28% ke 80%

Epoch AI membuat uji kecil yang justru praktis, namanya Furniture Assembly Benchmark, dan tren sepuluh bulannya adalah inti ceritanya. Model diberi foto furnitur IKEA yang dirakit sebagian, manual resminya, serta alat untuk memeriksa gambar, lalu harus menemukan setiap langkah yang keliru dan menjelaskannya, atau memastikan rakitan sudah benar. Ada 60 gambar dari tiga rakitan furnitur dengan tingkat kesulitan berbeda, dan setiap model mendapat jatah 80 langkah agentic per gambar. Penilaiannya dua tahap: memeriksa apakah model menandai langkah yang tepat, lalu memakai penilai berbasis model yang longgar untuk menilai cara ia mendeskripsikan tiap kesalahan.

Hasilnya bergerak cepat. November lalu, model terbaik adalah Claude Opus 4.5 dari Anthropic di angka 28 persen. September ini, GPT-6 Astra dari OpenAI mencapai 80 persen, naik 52 poin dalam sepuluh bulan. Claude Fable 5.1 ada di 70 persen dan Claude Opus 5 di 61 persen, sementara Epoch mencatat model open-weight Tiongkok seperti Kimi K3 tertinggal dari frontier sekitar tujuh bulan. Tugas ini menuntut penalaran visual dan spasial yang telaten: kamu harus mencocokkan foto dengan diagram lalu menangkap sekrup di lubang yang salah atau panel yang menghadap ke arah keliru.

Ini benchmark yang sempit dan tidak membuktikan apa pun soal robot yang merakit, hanya soal model yang menilai fotonya. Namun poin yang ditarik Epoch adalah bahwa pemeriksaan kesalahan dari gambar merupakan kemampuan di balik pekerjaan nyata seperti perbaikan dan perawatan alat, saat sebuah sistem mengamati yang kamu kerjakan dan menunjukkan letak kesalahannya.

Kenapa ini penting

Kalau kamu membangun asisten yang memandu orang melalui tugas fisik, ini mengisyaratkan kemampuan pemeriksaan visual di baliknya kini cukup bagus untuk diprototipe secara serius, setidaknya pada model frontier. Kurva yang curam juga berarti benchmark yang setahun lalu kamu anggap terlalu sulit layak diuji ulang, karena jarak antara "AI gagal" dan "AI umumnya bisa" menyempit dalam hitungan bulan, bukan tahun.