1. 先看整体表现：读 GeoJSON 很强，看图也有进步#

测试集覆盖 28 类空间关系。题目既包括“地物 1 是否位于地物 2 东侧”“两栋建筑是否重叠”这样的空间关系判断，也包括“把对象移动到指定方向，并保持一定距离”这样的编辑任务。

按照输入形式和任务类型，我们分为四组：读坐标答题、读坐标编辑、看图答题和看图编辑，每组 140 道，共记录 GPT-6 Astra 的 560 次结果。

问答题按答案是否正确计分；编辑题则执行模型给出的修改，再检查新的几何位置是否真正满足题目中的空间约束。

注：准确率差距以百分点表示。Astra、Sol 各项及 Kimi K3 的坐标任务均为 140 题。* Kimi 图像测试尚未全部完成，问答、编辑分别统计样本中的 85 题、60 题有效结果。

四组任务呈现出较为一致的结果。

坐标问答中，GPT-6 Astra 的准确率为 95.7%，GPT-5.6 Sol 为 75.7%，相差 20.0 个百分点；地图图像问答分别为 65.0% 和 55.7%，差距缩小至 9.3 个百分点。

编辑任务中的差异更为明显：坐标编辑准确率由 62.9% 提升至 87.1%，增加 24.3 个百分点；地图图像编辑则由 26.4% 提升至 48.6%，增加 22.1 个百分点。

加入 Kimi K3 后，三款模型的差别更直观了。坐标问答中，Kimi K3 的准确率为 85.0%，高于 Sol 的 75.7%，低于 Astra 的 95.7%；坐标编辑中，Kimi K3 与 Sol 同为 62.9%，Astra 为 87.1%。

在已完成的共同图像样本中，Astra、Sol、Kimi K3 的问答准确率依次为 65.9%、52.9%、49.4%；编辑准确率则为 36.7%、26.7%、33.3%，Kimi K3 在这一项更接近 Astra。

从 GPT-6 Astra 自身的结果看，输入形式带来的差异同样明显。GeoJSON 坐标问答和坐标编辑分别达到 95.7% 和 87.1%，而地图图像问答和编辑只有 65.0% 和 48.6%。

这说明在当前测试中，模型处理结构化几何信息的能力已经较强，而视觉形式的空间理解和精确操作仍然更具挑战。

2. 三道看图题，看看模型的具体答案#

下面三道题，Astra、Sol 和 Kimi K3 都给出了有效回答；每道题使用同一张地图和同一个问题。

先看两种容易混淆的关系：两个区域是只重叠了一部分，还是完全占据同一个位置？

第一题：重叠了一片，还是只碰到边？#

图 1 左侧的红蓝区域中间有一片共同覆盖的面积，标准答案是“部分重叠（overlaps）”。

Astra 和 Sol 都回答“部分重叠”，判定正确；Kimi K3 回答“边界接触（touches）”，未答对。

两者的区别很直观：重叠有共同的内部面积，仅接触则只是边界碰到一起。

第二题：完全重合，却得出三种答案#

图 1 右侧的两个多边形占据同一片空间，标准答案是“完全重合（equals）”。

Astra 答“完全重合”，Sol 答“包含（contains）”，Kimi K3 答“不相交（disjoint）”，只有 Astra 答对。

由于后绘制的颜色会遮住前一个，读图时还要留意指向同一位置的两个标签。

第三题：把视野拉回整座城市#

题目只允许从东、南、西、北四个方向中选择，判断蓝色点 F02 相对红色点 F01 的方向。

两点并不在同一条水平线上，关键是按题目的四方向划分规则，确定它更接近哪个方向。

标准答案是“东方（E）”。Astra 和 Kimi K3 都回答“东方”，Sol 回答“南方（S）”。这道题中，Kimi K3 与 Astra 一样答对了。

把三道题放在一起，更容易看清当前测试中的差异：Astra 三题均答对，Sol 和 Kimi 各答对一题，而它们答对的是不同题目。

3. 从“判断关系”到“修改空间”：编辑任务难在哪里？#

问答和编辑任务都涉及空间关系，但二者要求并不相同。

问答只需判断当前关系是否成立；编辑则要进一步改变对象的位置或形状，并让修改后的结果满足一个或多个约束。

也就是说，模型不仅要答对，还要生成可以被实际执行和验证的几何结果。

前面的三道问答题展示了模型能否判断关系，下面再看三款模型如何实际修改对象。

这里选取“部分重叠”和“向东移动”两类编辑题，与前面的问答属于同类空间关系，但使用的是各自的编辑场景。三款模型在每道编辑题中接收相同要求，结果按保存的几何输出和本次评测记录比较。

编辑案例一：把两个区域移到部分重叠#

题目要求移动 F0，使它与固定的 F1 部分重叠。

Astra 和 Kimi K3 都把 F0 移到了 F1 的边缘，形成一部分在内、一部分在外的关系，通过约束检查；Sol 的结果仍在原来位置附近，没有与 F1 重叠，未达标。

两款通过的模型给出了不同位置，这说明编辑题可以有多个有效解。

编辑案例二：要求向东，是否真的移对方向？#

题目要求将 F0 向东移动 8—200 米，并与 F1 保持至少 8 米距离。

根据本次方向和距离约束的评测记录：

• Astra： 位移归为东方，距离为 69.93 米，达标。
• Kimi K3： 位移归为东方，距离为 89.84 米，达标。
• Sol： 位移归为北方，距离为 15.71 米，方向不符合要求，未达标。

这里比较的是模型实际生成的几何结果，而不只是它在文字里说要往哪边移动。

这两个编辑案例中，Astra 与 Kimi K3 均达标，Sol 均未达标；结合前面的问答案例，可以同时看到模型“判断关系”和“按要求修改对象”的表现。

下面两个 Astra 案例则进一步说明，编辑结果如何受到边界精度和距离条件的影响。

编辑案例三：严格拓扑关系与区间距离#

图 5 左：拓扑完全相等（equals）

案例要求将建筑 F0 吸附到 F1，使二者在拓扑上完全相等。

在 GeoJSON 模式下，Astra 直接返回：

{"op":"snap","to":"F1"}

执行后通过 equals 检查。

换成地图图像后，模型生成的多边形在视觉上已经非常接近目标，但像素 Hausdorff 距离为 6.54，超过 4 像素容差；恢复到真实坐标后，两者仍未达到拓扑相等。

对这类严格关系而言，即使只存在很小的边界偏移，也会被判定为不满足约束。

编辑评测因此能够把肉眼不容易察觉的几何误差直接暴露出来。

图 5 右：Hausdorff 区间距离约束

这一案例要求 F0 与 F1 的 Hausdorff 距离落入指定区间。

Astra 在地图图像模式下生成的结果与参考几何相差 12.66 像素，但换算后的实际 Hausdorff 距离约为 37.47 米，仍处于题目要求的范围内，因此被判定为正确。

对区间距离这类任务而言，模型输出不必与参考几何完全重合，只要最终满足给定空间约束，就被视为有效解。

总结：这次实测看到的 GPT-6#

这轮结果让 GPT-6 Astra 的空间能力边界变得更加清晰。

它在结构化 GeoJSON 输入下已经能够较稳定地完成关系判断和几何编辑；与 GPT-5.6 Sol 相比，提升也不仅体现在问答准确率上，两类编辑任务同样出现了较明显的增长。

加入 Kimi K3 后，Astra 的坐标任务准确率仍然领先；在当前共同图像样本中，Kimi K3 的编辑准确率则高于 Sol，与 Astra 更为接近。

但总体分数提高并不意味着所有空间关系都已经被同等程度地解决。

进一步按关系类型拆分后，GeoJSON 问答中的拓扑、方向和度量三组均达到 100%，而 GeoJSON 编辑中的方向关系只有 40.0%。同样，地图图像问答中的度量关系仅答对 8/40。

换句话说，模型能够识别方向变化，并不意味着它一定能求出满足方向约束的平移量或旋转角度；能够看清一个对象，也不意味着它能从没有比例尺的图像中恢复精确的米制尺度。

需要强调的是，本次测试采用斯德哥尔摩的部分样本：每类空间关系 5 道题，每条赛道 140 道，仅反映当前样本与评测协议下的表现。

近期我们将发布的完整 Benchmark 包括扩展任务和样本，在统一协议下比较不同系列模型，敬请关注。