算量，是用工预算和材料采购的起点，也是造价行业里最"吃人"的一环。一套住宅图纸，从基础、框架到屋面、门窗，估价师要一页页翻、一个构件一个构件数，交叉核对平面图和详图，再套上连图纸都不会写明的损耗系数。一个经验丰富的估价师做完一整套，动辄一周。而 AI 这几年在算量上的表现一直尴尬：通用大模型能"读"图纸上的文字，却不理解数字背后的造价含义，算出来的量没法用。
这个局面，在 2026 年 7 月被一个叫 Handoff-H1 的系统打破了。它是一个专门为住宅算量任务从头训练的系统，在它自己搭建的基准测试 TakeoffBench-v1 上，综合得分 81.6%，超过了独立人工估价师的平均分 77.6%，更把七个前沿和开源大模型甩开了 20 分以上（这些模型只有 35–61 分）。
📌 关键数字
- 81.6% — Handoff-H1 综合得分，端到端读原始 PDF 算量
- 77.6% — 独立估价师（5 年以上经验 + 专业算量软件）的得分
- 35–61 分 — 7 个前沿/开源大模型在同样任务上的表现区间
- 2 小时 vs 1 周 — H1 与人工完成同一套全专业算量的耗时对比
为什么通用大模型在这里集体翻车
TakeoffBench-v1 由 10 套真实住宅蓝图组成，覆盖混凝土、框架、屋面、外墙、保温、石膏板、电气、给排水、门窗九个专业，共 2009 条经过专家交叉验证的清单项。跑这个基准的不是"问一句答一句"的聊天，而是让模型从原始 PDF 出发，自己完成整个算量。
结果很说明问题：最强的前沿模型 claude-fable-5 综合分也只有 61.4，而 DeepSeek-V4-Pro 这类开源模型只有 34.7 分。它们的共同毛病是——读得懂"字"，读不懂"图"。一张平面图上的尺寸标注在 A2 页，墙身详图在 A8 页，要把这两者连起来理解，还要套上木工都懂、但规范里从不写的损耗系数，通用模型的页面级上下文根本装不下这种跨页推理。
Handoff-H1 的做法完全不同。它不是一个大模型单打独斗，而是三层结构叠出来的：
三层架构，组合而非银弹
- 定制视觉模型 — 从每张图纸上把文字化的图元"抠"出来（尺寸、标注、符号），这是通用多模态模型做不好的。
- 视觉智能体 — 能主动裁剪、缩放、跨页平移去看一张图的某个局部，会用 CV 模型去数密集的符号（比如梁板中的构件），还能把框架平面图拆解成单个构件。
- 持久化项目知识库 — 类似分层检索增强的结构，把整套图纸和施工惯例如库存在一起，供按专业分工的估算流程调用，最后再来一道独立复核，把漏项和不合理数量拦在出结果之前。
论文里反复强调一个立场："组合优于银弹"。没有任何单一能力能补上算量这道鸿沟，尤其是不能靠"提示词调得更好一点"的大模型。
数据说话：一张对比表
| 系统 | 综合分 | 覆盖率 | P@.25 精度 |
|---|---|---|---|
| Handoff-H1（端到端） | 81.6 | 86.1% | 78.8% |
| 人工估价师（独立） | 77.6 | 65.5% | 87.9% |
| claude-fable-5（闭源） | 61.4 | 77.3% | 52.8% |
| gpt-5.6（闭源） | 58.6 | 72.3% | 51.3% |
| Kimi-K2.6（开源） | 54.5 | 64.6% | 50.2% |
| DeepSeek-V4-Pro（开源） | 34.7 | 26.7% | 44.7% |
这张表里最有意思的，不是 H1 分数最高，而是它赢在覆盖率上。人工估价师精度 87.9% 其实更高，但覆盖率只有 65.5%——人会漏项，尤其在那些连续测量、口径合法的专业上。H1 用 78.8% 的精度扛着 86.1% 的覆盖率，等于比人多算了约三分之一的清单项。多算一项，就多一项被评分，还能维持这个精度，这才是硬功夫。
论文把这个细节点破了：H1 的 78.8% 精度，是在比估价师多了约三分之一匹配项的基础上挣来的；而估价师那个漂亮的 87.9%，只对他们准确识别和命名的那些项算账。
基准本身，也是这篇论文值钱的地方
算量基准最难的不是跑模型，而是"标准答案"从哪来。单个估价师的意见不构成可信的真值，所以 TakeoffBench 的真值是一套多评审员交叉验证的产物：
每个清单真值都由独立的职业估价师（至少 5 年经验、有偿受雇）按固定说明提交完整算量，再由内部施工专家团队做两轮人工审核——先审结构口径，再审覆盖率和精度——只有被至少两名施工专家和至少两名独立估价师共同认可的结果，才成为那套图纸的黄金标准。
换句话说，这个基准的"满分答案"本身，就是一群老法师反复对齐出来的。把一个 AI 系统放到这种基准上还能压过单个人类估价师，含金量比一般的 MMLU 刷分要高得多。更难得的是，评估框架（Harbor/open harbor）是公开的，图纸和真值也开放研究申请——作者明确说这么做是为了让基准持续测能力，而不是测背题。
技术层面的判断：它做对了什么账
从工程角度看，Handoff-H1 的路线给行业提了个醒：造价的算量不是"多模态问答"，而是"带约束的视觉推理 + 领域知识检索"。通用模型输在三个地方，H1 恰好都补上了：
第一，图纸是栅格化的。扫描版的平面图、纯图片的明细表，通用助手读不到文字层就抓瞎；H1 的定制 CV 模型直接处理图元，不依赖文字层。第二，跨页一致性。门在多张图上重复出现，通用助手会重复计数；H1 靠持久化知识库把整套图纸当一个整体来对齐。第三，不撒谎。论文里专门提到，他们拿 Bluebeam Max 这些助手测过——被要求"做一次完整算量"时，好系统要么拒绝、要么让用户补几何信息，而不是凭空编数量。这在造价场景里是对的。
不过边界也要说清。TakeoffBench 目前是住宅 + 五个专业以内（官方口径是 5000 平方英尺以下的住宅）的量级，离商业综合体、机电精装修那种"图纸海量 + 专业交叉"的场景还有距离。而且 H1 的分数里，覆盖率贡献大、精度还略逊于人——在需要"零误差下单采购"的环节，人还在签字的那一栏。
💡 对 BIM 工程师的启示
这件事离 BIM 从业者并不远，而且它指向的不是"你马上要被替代"，而是你的模型到底有没有被用好：
1. 你的 BIM 模型，本身就是比 PDF 更好的算量输入。 H1 费尽力气从"图"里推理出来的量，Revit/Navisworks 的构件明细表里本来就是结构化的。与其等外部工具从 PDF 死磕，不如把自己的模型参数、族库、明细表做干净——这是 AI 时代 BIM 工程师最硬的护城河，也是别人抢不走的。
2. 算量的可信度在于"可复核"，不是"快"。 H1 最后一道独立复核、拒绝凭空编造，才是它能被拿去下单采购的前提。以后你接到 AI 出的量，第一反应应该是"它能不能指出每一项对应图纸的哪一页"，而不是"它出了多少项"。
3. 边界感就是专业感。 现阶段 AI 覆盖率高、精度略逊，正好是人工补位的地方——把精力从"从头数一遍"转移到"审 AI 漏项 + 校对连续测量项"。人的价值会从"生产算量"上移到"裁决算量"。
对行业意味着什么
算量曾经被普遍认为是"最早会被 AI 吃掉，结果最难被 AI 吃掉"的一环——因为它看起来机械，实则依赖大量没写进图纸的施工常识。Handoff-H1 的意义在于，它证明了一件事：当 AI 不再把自己当"会看图的大模型"，而是当"用工具的估价师"（定制视觉模型 + 主动看图 + 领域知识库 + 独立复核）时，它能在这条最难的专业线上逼近、并在覆盖面上超过人类。
这个范式的迁移，比它那个 81.6% 的分数更值得记。接下来两年，我们大概率会看到"视觉智能体 + 领域知识库 + 复核"这套架构，从算量复制到设计审查、竣工比对、甚至是变更签证的自动识别上。对工程造价和 BIM 两条线的从业者来说，与其焦虑"AI 会不会取代我"，不如先问一句：我手上那一堆模型和明细表，喂给这套架构，能出多少价值。
📚 资料来源：Handoff-H1 论文（arXiv:2608.15032）及 Handoff 官方技术报告 / 博客（2026-07）。文中所有分数均来自 TakeoffBench-v1 公开披露数据。本文为行业分析，不构成采购建议。