GPT-6 Astra实测：SketchUp建模与CorelDRAW排版能否胜任真实项目？

从真实项目出发的AI建模测评

市面上关于AI大模型建模的测评不少，但大多停留在"能建出来就行"的层面。B站UP主曹涛叔叔的这次测试则更接地气——他直接把正在进行的真实设计项目丢给了几款主流大模型，用实战标准检验它们的建模与排版能力。

他的测试逻辑很明确：AI建模不只是把模型堆出来，而是要能对接真实业务场景，达到可直接投入生产的完成度。这也是这次测评与其他"演示型"测评的最大区别。参与横评的选手包括GPT-6（Astra）、DeepSeek V4.1 Flash、GLM 3.8 Flash以及GLM 5.3等模型。

GPT-6 Astra：半小时完成局部建模

UP主给GPT-6提供了一张平面图和几张参考效果图，让它在SketchUp中完成局部模型的搭建。整个过程大约半小时完成，虽然中间出现了不少错误，有些结果并非预期，也存在一些模型层面的问题，但通过多轮沟通调整，最终都被逐步修正到位。

测试中最有代表性的两个案例，一个是根据效果图建出的屏风模型，另一个是竹帘子。前者细节还原度不错，后者虽然结构较简单，但UP主进一步把它处理成了SketchUp的动态组件——熟悉SketchUp的用户会明白这背后对参数化控制的要求并不低。

在UP主看来，GPT-6在生成速度和最终完成度上都表现突出，是这次测试中真正能达到"生产力级别"的模型。

SketchUp动态组件（Dynamic Components）是SketchUp软件中一项参数化建模功能，允许用户为模型赋予可交互的属性与行为逻辑。通过设定变量和公式，动态组件可以响应用户输入，实现尺寸缩放、开合动作、材质切换等效果——例如一扇门可以被设置成点击后自动打开，或一组橱柜可以根据输入的尺寸自动调整间距。制作动态组件不仅需要理解SketchUp的组件结构，还需要编写属性公式和条件逻辑，对使用者的技术门槛要求较高。AI能够生成可用的动态组件，意味着它不只是在堆砌几何体，而是理解了模型背后的参数关系与交互逻辑，这正是此次测评中UP主特别指出这一案例的原因。

其他模型的表现：完成度成分水岭

对比之下，其他模型的差距在真实项目标准下被放大了。

DeepSeek V4.1 Flash

UP主直言其建模结果"乱七八糟"，与提供的真实模型参考存在明显出入。他强调，如果单纯从测评角度、不追求真实应用场景，这类模型或许也能算"厉害"；但一旦要落到实战项目里，就明显达不到预期。

GLM 3.8 Flash

这款模型"还算凑合"，但UP主发现了一个值得警惕的问题：它似乎是在参考了此前GLM 5.3的建模过程之后才完成自己的建模，若要求它真正从零开始，则容易卡住不动。这暴露出模型在独立完成复杂建模任务上的稳定性不足。

GLM 5.3

在几款非GPT模型中，GLM 5.3被UP主评价为相对最好的一个，可以作为"备用"选择。但其整体完成度同样不理想，部分结果依然存在难以理解的偏差。

超出预期的能力：CorelDRAW平面排版

这次测评最让UP主意外的，是GPT-6在建模之外还能胜任平面排版。

对设计从业者而言，除了三维建模，平面排版是另一项高频需求。UP主以一个"川东非遗博物馆"主题项目为例，提供了一张AI生成的效果图和若干素材图片，要求GPT-6按照这种感觉、贴合主题完成排版。

结果同样出乎意料：GPT-6很快输出了一个CorelDRAW排版文件，包含它制作的背景图与成品图片。UP主分析，它是通过后台编写脚本语言的方式来控制CorelDRAW的。

此前业界更多看到AI通过脚本控制Blender、SketchUp、CAD等三维/工程软件，而GPT-6把这种自动化控制能力延伸到了CorelDRAW这类平面设计软件，意味着AI对设计工具链的覆盖正在变得更完整。

AI通过脚本控制桌面软件的方式，通常依赖各软件暴露的脚本接口或自动化API。SketchUp支持Ruby脚本，AutoCAD支持AutoLISP和.NET API，Blender则内置Python环境。CorelDRAW同样提供基于VBA（Visual Basic for Applications）和CorelDRAW Script的自动化接口，允许外部程序通过COM对象模型控制文档的创建、排版元素的布局与属性设置。AI生成这类脚本的核心能力在于：它需要理解目标软件的对象模型（Object Model），即文档、图层、文本框、图形对象之间的层级关系，才能生成能被软件正确执行的代码。这种"以代码为媒介操控设计软件"的路径，本质上是将设计操作转化为可编程的指令序列，而非直接的图形界面交互。

对设计行业意味着什么

UP主在测试结尾感叹"设计真的要变天了"。从这次实战测评看，这种感慨并非空穴来风。

关键的转折点在于：AI建模开始从"能演示"迈向"能生产"。当一个模型能够在半小时内完成真实项目的局部建模、支持多轮沟通修改、还能自动完成平面排版时，它对设计工作流的影响就不再停留在效率工具层面。

不过测评也揭示了当前的现实边界：模型之间的能力差距依然巨大，多数模型在真实项目标准下仍难以交付合格结果，稳定性和从零建模的独立性也存在明显短板。换句话说，AI能否真正替代设计生产力，取决于它是否能稳定通过"真实项目"这道考题，而不仅仅是漂亮的演示。

注：本文基于单一UP主的实测分享整理，测评结论带有个人项目场景的主观性，模型的实际表现可能因任务类型和使用方式而异。