神秘 AI 模型 Gestalt 登顶 Contra Labs 设计基准,压过所有具名对手
这个隐身模型拿到 1,928 Elo,比 Claude Fable 5.2 高 214 分,至今没有任何实验室认领

一个至今无人公开认领的人工智能模型,登上了首届 Contra Labs 前沿设计基准的榜首。在 35 位职业设计师针对 33 份真实商业需求进行的盲评两两对比中,它的得分超过了人类职业设计师、所有具名的前沿模型和其他全部参评者。
这个模型只以「Gestalt」为名,在排行榜上拿到 1,928 Elo,比排名次高的具名 AI 模型 Claude Fable 5.2 高 214 分,比 1,739 分的人类黄金参考组高 189 分。人类职业设计师设下了很高的门槛,得分明显高于除 Gestalt 以外的所有公开前沿模型;而 Gestalt 连他们也超过了,在与人类参考作品的 28 次正面对决中赢下 20 次。
Contra Labs 是一个在线自由设计师接单平台,它与 AI 基准测试平台 BenchFlow 一起组织了这次评测。Contra Labs 把 Gestalt 描述为「一个目前处于隐身状态的高质量设计模型」,并表示正在「与该团队合作,持续评估其质量并提供反馈」。没有任何 AI 实验室、研究团队或个人开发者表明自己是它的创造者。
一个建立在真实工作上、而非测试提示词上的基准
大多数 AI 评测依赖标准化测试集或专家小组打分,前沿设计基准的方法与之不同。Contra Labs 使用了从其平台上选出的 33 份真实客户需求,其中 27 份来自真实的 Contra 项目,6 份来自初创公司的合作项目。每个 AI 模型都根据同样的需求生成设计,然后由 35 位职业设计师在不知道作品出自哪个模型的情况下,进行盲评两两对比投票。
整个评测分五轮,共投出 4,311 张两两对比票。Bradley-Terry 成对比较模型把这些投票换算成 Elo 评分。为了衡量这些评分的可靠性,Contra 对投票数据做了 200 次随机拆分,计算折半 Spearman 信度系数,结果为 0.95,说明内部一致性很高。评测还使用了一套 35 个维度的设计评分细则,覆盖与两两偏好无关的质量维度,发现细则得分与投票结果的相关系数 r = 0.94。
排行榜是什么样子
Gestalt 与其他参评者之间的档位差距很大。领先的具名前沿模型群体包括 1,714 Elo 的 Claude Fable 5.2、1,691 的 Claude Opus 5.5、1,668 的 GPT-6.1 Sol、1,667 的 Claude Sonnet 5.5 和 1,663 的 Kimi K3.1 Pro,彼此只差 51 分。Gestalt 比这一组的第一名还高 214 分。
第二档比第一档低 204 Elo。DeepSeek V4 Pro 在这次评测中排名最后,得分 1,122。Contra 认为,这主要是因为它在完成任务时智能体执行失败,而不是设计质量本身。
人类黄金参考作品取自这些职业设计师自己的作品集,得分 1,739 Elo,远高于具名前沿模型群体,但比 Gestalt 低 189 分。
「AI 味检测器」的发现
这个基准还有一个额外的衡量工具,是一个叫「Slop Detector」(AI 味检测器)的二元分类器,训练来区分 AI 生成的设计页面和人做的页面,打分范围 0 到 100,分数越低,说明作品越接近人类的产出。
Gestalt 在这个检测器上得分 1.2,几乎与人类职业设计作品的 0.9 相同。这本身就是一个值得注意的发现:按这个分类器的标准,Gestalt 的作品与人类设计几乎无法区分。相比之下,Claude Fable 5.2 在同一分类器上得 31 分,GPT 系列模型在 41 到 53 之间,Gemini 模型在 54 到 57 之间,Kimi K3.1 Pro 为 66 分。
Contra Labs 报告,人类黄金参考作品的细则得分为 73.6,对于在偏好排行榜上名列前茅的作品来说相对偏低。这种情况说明,盲评的职业设计师即使在作品偏离正式评分细则时,也会觉得它有吸引力;而 Gestalt 则兼具很高的偏好得分和接近人类的分类器得分。
关于 SSI 的传言是造谣者自己承认的捏造
基准结果流传开不久,社交媒体上就有人猜测 Gestalt 与 Ilya Sutskever 的 AI 安全实验室 Safe Superintelligence Inc.(SSI)有关。这个说法很快被证实是造谣者自己承认的捏造,没有任何证据。截至 2026 年 11 月,SSI 没有发布过任何公开的 AI 模型,也没有任何有来源的报道把这家实验室与 Gestalt 联系起来。
除了确认正在与该团队积极合作之外,Contra Labs 没有公开透露或暗示开发者的身份。
这道差距意味着什么
前沿设计基准最关键的观察,并不只是 Gestalt 赢了,而是 Gestalt 与既有前沿模型之间的差距,以 AI 竞争性评测的标准来看大得不同寻常。在大多数基准上,领先模型之间的差距都很小。
领先 Claude Fable 5.2 214 Elo,而 Fable 5.2 又领先 Claude Opus 5.5 23 分,Opus 5.5 再领先 GPT-6.1 Sol 23 分。这说明,至少在这个基准衡量的视觉设计任务上,Gestalt 并不是在前沿的边缘,而是远远高出前沿。
同样的情况是否适用于更广泛的 AI 设计任务,或者这个基准的方法是否会带来偏向某类 AI 产出的偏差,目前还没有定论。眼下,基准是公开的,方法有文档可查,而排在榜首的那个模型,还没有署上任何名字。



