过去两年，工地上选 AI 模型只有两种办法：看厂商演示，听同行口碑。演示挑的是最好看的那张图，口碑传的是别人项目里的运气。11 月 4 日，日本 ONESTRUCTION 上线了一份公开榜单，第一次把「建筑 AI 到底能干什么」拆成五门可以分别打分的科目。
五门科目，考的是同一件事的不同环节
榜单叫 Construction AI Leaderboard，评测对象是通用大模型，不是建筑专用软件。20 个模型，每项 0 到 100 分。五门科目的题库构成写得很具体：
五个分项，五种活
- IDS 生成（Ishigaki-IDS-Bench）：给一段自然语言或 CSV 写的信息要求，让模型生成符合 IDS 1.0 规范的 XML。
- 图纸/资料理解（AEC-Bench）：模型自己在图纸集与规格书里翻找，回答关于图纸的提问，并指出规格书与图纸的冲突。
- BIM 理解（IFC-Bench-V2）：只给一个 IFC 文件，模型要自己用 IfcOpenShell 查模型、做聚合，再答。
- BIM 编辑（BIM-Edit）：按自然语言指令增删改 IFC 构件，交回来的文件不能损坏。
- 积算 QA（CEQuest）：美国建设教育里那套读图与积算基础，选择题加判断题。
还有第六项「图纸→BIM 生成」（BIMGenBench），标注为「后日公开」。这个留白挺实在：从图纸生成整栋模型是这轮竞赛最热的方向，也是最难公平衡量的——评分到底该判「像不像」还是「对不对」，两家厂商能给出完全不同的答案。
评估方式是把自研题库与公开题库混着用，官方说法是「按是否对实际工作有用、以及能否为它造出题集」两个标准来选科目。这句话说明了榜单的边界：它只考能被出成题的部分，考不了「这个模型在你们院里好不好用」。
总榜咬得紧，分项撕得开
前九名全是商用模型。Claude Opus 5.5 以 73.7 分居首，Gemini 4 Argon 73.6 分紧随，0.1 分的差距在这个量级上没有意义。第三是上一代的 Claude Opus 5（72.7），说明换代带来的提升并不均匀。
| 模型 | 综合 | IDS 生成 | 图纸理解 | BIM 理解 | BIM 编辑 | 积算 QA |
|---|---|---|---|---|---|---|
| Claude Opus 5.5 | 73.7 | 63.0 | 70.2 | 60.5 | 81.6 | 93.3 |
| Gemini 4 Argon | 73.6 | 61.9 | 65.3 | 59.1 | 87.7 | 94.0 |
| Claude Opus 5 | 72.7 | 60.9 | 63.3 | 65.8 | 81.9 | 91.8 |
| GPT-6.1 Sol | 70.2 | 60.7 | 66.3 | 47.7 | 83.2 | 93.3 |
| Claude Fable 5 | 70.2 | 58.6 | 64.6 | 54.7 | 79.7 | 93.3 |
| GPT-6 Astra | 70.1 | 61.7 | 66.2 | 46.7 | 84.3 | 91.8 |
| Grok 4.7 | 68.7 | 58.2 | 60.8 | 54.3 | 77.1 | 93.3 |
| Muse Spark 1.3 | 67.2 | 47.4 | 56.9 | 57.8 | 81.4 | 92.5 |
| Claude Sonnet 5.5 | 66.9 | 60.0 | 58.6 | 54.7 | 75.2 | 85.8 |
| DeepSeek V4.1 Flash 1017 | 66.7 | 44.5 | 67.6 | 45.1 | 84.3 | 91.8 |
开源模型的最高分是 DeepSeek V4.1 Flash 1017 的 66.7，排第十。这个位置容易被读成「开源还差一截」，但分项里有两处反例：图面理解 67.6 分，高于 Claude Opus 5 的 63.3；BIM 编辑 84.3 分，与 GPT-6.1 Sol 的 83.2 咬在一起。另一家开源的 Kimi K3 在 BIM 理解上拿到 58.6，排进第四，压过 GPT-6 全系。
真正拉开差距的是任务形态，不是模型档次。积算 QA 一项，前八名都在 85 分以上，最高 95.5；换成 BIM 理解，最高只有 65.8；IDS 生成最高 63.0。同一个模型做选择题能到 93 分，改 IFC 文件只剩 60 分。三十分的落差，比不同模型之间的差距大得多。
分数落差不是智商差，是任务形态差
积算 QA 是知识题。规范条文、算量规则、读图惯例，这些内容在训练语料里密度极高，答对靠的是记忆与推理，一次输出就完成。
IDS 生成和 BIM 编辑是操作题。模型要在一条多步流程里维持状态：先读要求，判断该查哪个属性，再写出结构正确的 XML 或调对接口，最后保证文件没被写坏。IFC 是长尾 schema，实体与属性数量远超任何人的记忆容量，模型只能靠工具去查，不能靠背。一步错，整题作废——判分看最终交付物，不给过程分。
这解释了一个常见困惑：为什么演示里模型能「看懂图纸」，进了项目就哑。演示是单轮问答，项目是多步操作。榜单把这两类能力分开计分，等于把演示与交付之间的那段距离量了出来。
BIM 理解与 BIM 编辑之间的分差，指向同一件事。GPT-6.1 Sol 在理解上只有 47.7 分，编辑却有 83.2 分；Claude Opus 5.5 是 60.5 对 81.6。理解要模型自己决定「该查哪个属性、怎么聚合」，编辑的指令已经把目标说清楚了，模型只需照着改。一个可能的解释是：任务描述越具体，模型的分数越高。这条对日常使用的启发很直接——把要求写清楚，比换一个更贵的模型更能提分。
成本那一栏比分数更接近采购决策。口径是图纸/资料理解单项的单次调用：同样 70.2 分，GPT-6.1 Sol 约 0.12 美元、1.6 分钟，Claude Fable 5 约 1.6 美元，差 13 倍。Opus 从 5 到 5.5，分数只涨 1 分，单次成本从 1.8 美元降到 0.33 美元，耗时从 5 分钟降到 1.7 分钟。这一代模型的进步，有相当部分体现在「同样的结果更便宜」，而不是「更好的结果」。
这份榜能用来做什么，不能用来做什么
不能当认证。题库是厂商自建的，样本量、题目难度分布、判分脚本都没公开；评测固定在中档推理强度，换提示词、换温度都可能改分；榜单滚动更新，模型换代后旧结论会过期。还有一层需要说清：出题方自己在做 Ishigaki 系列建筑模型和 BIM 生成产品的 beta，榜单既是公共品，也是它的市场教育材料。
能当筛选器。它的价值不在于告诉你谁第一，而在于把「建筑 AI」这个笼统的类目拆成五个可以分别提问的子问题：我要它读图、要它改模型、还是要它写交付物？三个答案指向的模型可能完全不同。
四件此刻就能做的事
- 先定任务，再看分项。做图纸问答就看图面理解那一列，做 IDS 交付就看 IDS 那一列。综合分只用来排除明显不合适的候选，不要用来排序采购。
- 用自己的项目出十道题。挑一个真实 IFC，写三条 IDS 需求、三条改模指令、三个图纸问题，让候选模型各跑一遍。半天时间，比看任何榜单都准，因为它考的是你的建模习惯。
- 数据能不能出境，先于分数。图纸和模型往往带业主信息。开源自托管是一条路，代价是耗时：DeepSeek 单题约 7 分钟、GLM-5.3-Flash 约 8 分钟、Kimi K3 约 12 分钟，比商用接口慢四到七倍，但文件不出机房。
- 把模型选择写进流程，而不是留在个人偏好里。哪个环节用哪个模型、输出由谁复核、错了怎么追溯，这三件事写清楚，比换一个更强的模型更能降低风险。
评测正在变成产品的一部分
一年前，建筑 AI 的竞争在「有没有 AI」；半年前，在「能不能做对一件事」；现在，开始有人给全行业发成绩单。发榜的价值不只是信息，还有话语权——谁定义了好坏，谁就定义了采购标准。这也意味着后面的榜会越来越多，读榜的人需要的不是更多排名，而是判断「这张榜的题目像不像我的活」。
对 BIM 工程师，一个更实际的信号是：通用模型读图、读 IFC 的能力到了 60 分上下。60 分的意思是能用，但不能签字。剩下那 40 分不在模型里，在检索、在工具链、在规则校验，在人最后看的那一眼。
需要打折扣的地方
- 分数来自 ONESTRUCTION 自研题库与公开题库的混合评测，题库内容、样本量与判分脚本未公开，无法第三方复现。
- 评测固定使用中档推理强度，不同提示策略与参数设置下的结果可能不同；模型版本滚动更新，榜单也会随之变动。
- 成本与耗时是图纸/资料理解单项单次调用的代表值，不等于其他任务的实际开销，也不含工程化封装、重试与人工复核的成本。
- 第六项「图纸→BIM 生成」标注为「后日公开」，目前没有数据，本文不对该能力作任何判断。
资料来源：ONESTRUCTION《Construction AI Leaderboard》（2026 年 11 月 4 日上线，ai.onestruction.com/leaderboard）；ONESTRUCTION 官方博客《Which AI is specialized for the construction sector? - Construction AI Leaderboard Released -》（2026 年 11 月 4 日）；榜单 Benchmarks 与 Methodology 说明页。配图为依据榜单公开分数与成本数据自制，非厂商提供。