AI 快讯Gestalt盲测击败人类设计稿
模型上新

Gestalt盲测击败人类设计稿

2026-11-21T07:05:32.613Z
Gestalt盲测击败人类设计稿

匿名模型 Gestalt 以 1931 Elo 登顶 Contra 设计榜,并在 28 次直接对决中击败人类参考作品 20 次。但它的身份、可用性与复现结果仍是空白。

匿名模型拿下第一,领先人类参考作品 192 Elo

一款尚未公开身份的 AI 模型,第一次在 Contra 的前沿设计榜单上同时压过主流模型和人类参考作品。 Contra Labs 于当地时间 11 月 18 日发布 Frontier Design Benchmark,代号为 Gestalt 的匿名模型以 1931 Elo、90% 胜率排名第一;人类设计师参考作品 Human golden 为 1739 Elo,排名第二。

Frontier Design Benchmark 是一个面向真实商业设计任务的 AI 设计能力基准。 它不是让模型生成一张看起来漂亮的海报,再用图像相似度打分,而是要求模型完成网站、产品界面等更接近客户委托的设计任务,并由专业设计师判断哪一份结果更值得采用。

这次结果最刺眼的地方,不是 Gestalt 又赢了 Claude 或 GPT,而是它在专业设计师看不到作者身份的情况下,获得了高于人类参考作品的偏好票。

Frontier Design Benchmark 榜单截图,突出 Gestalt 1931 Elo、人类参考作品 1739 Elo,以及 Claude Fable 5.2、GPT-6.1 Sol 的排名

根据 Contra Labs 公布的数据,Gestalt 与人类参考作品共进行 28 次直接比较,其中有 20 次被专业设计师选中,对人类参考作品的直接胜率为 71.4%。这已经不是偶然赢下一两个案例,而是在有限样本内形成了明确优势。

不过,“设计师更喜欢 Gestalt”不等于“Gestalt 已经全面取代专业设计师”。 这项评测测到的是特定任务、特定输出形式和特定评审流程下的结果,它尚未证明 Gestalt 能独立完成需求澄清、品牌研究、跨页面设计系统、可访问性检查、开发交付和多轮客户沟通。

Gestalt 的领先幅度有多大

Gestalt 与第二名之间出现了这张榜单上最值得关注的能力断层。 它领先人类参考作品 192 Elo,领先 Claude Fable 5.2 218 Elo,领先 GPT-6.1 Sol 263 Elo。

| 模型或参照组 | 榜单身份 | Elo 评分 | 榜单胜率 | 设计质量分 | 已知排名 | |---|---|---:|---:|---:|---:| | Gestalt | 匿名、Stealth 状态 | 1931 | 90% | 83 | 1 | | Human golden | 人类设计师参考作品 | 1739 | 74% | 74 | 2 | | Claude Fable 5.2 | Anthropic 模型,按榜单标注 | 1713 | 未披露 | 84 | 3 | | GPT-6.1 Sol | OpenAI 模型,按榜单标注 | 1668 | 未披露 | 未披露 | 5 | | Claude Opus 5.5 | Anthropic 模型,按榜单标注 | 未披露 | 未披露 | 84 | 未披露 |

Elo 是一种根据两两对决结果动态估算相对实力的评分系统。 它最初用于国际象棋,放到设计评测中,可以理解为:如果一份作品持续在盲选中战胜高分对手,它的 Elo 就会继续上升。

按经典 Elo 的 400 分尺度估算,1931 分对 1739 分对应的理论预期胜率约为 75.1%。Gestalt 在实际直接对决中取得 20 胜、8 负,即 71.4%,方向上与 Elo 差距基本一致。

Elo 分差不能直接换算成“设计能力提升百分比”。 Gestalt 比人类高 192 分,不代表它的设计能力高出 11%,更不能据此推导生产效率或商业价值提升了多少;Elo 只反映当前参评对象、任务分布和投票规则下的相对胜率。

GPT-6.1 Sol 与 Kimi K3.1 Pro 的 Elo 分别为 1668 和 1663,两者只差 5 分,基本可以视为处于同一能力区间。相比之下,Gestalt 对这一梯队的领先已经超过 260 分,这说明它要么采用了更适合视觉设计任务的训练与推理方式,要么在生成后的布局、排版和视觉检查环节加入了传统通用模型没有的专门系统。

这不是一场“谁更会画图”的比赛

Contra 的评测价值在于任务更接近真实客户需求,而不是单轮提示词表演。 本次基准共包含 33 项任务,其中 27 项改编自 Contra 平台上的真实设计委托,占任务总数的 81.8%;另外 6 项来自创业公司合作项目,占 18.2%。

评测规模比常见的社交媒体截图对比更可靠,但仍称不上决定性证据。 Contra 与 BenchFlow 邀请了 35 名专业设计师,进行了 5 轮盲测,累计收集 4311 张投票,平均每位评审贡献约 123 张票,平均每项任务对应约 131 张票。

这套评测使用了三类指标:

  1. 专业设计师双盲偏好投票:评审不知道作品由哪个模型或人类完成,只判断两份结果更偏好哪一份。
  2. Design Critique Rubric:设计质量评价体系,从色彩、字体、布局、可用性和需求遵循等维度检查执行质量。
  3. Slop Detector:AI 痕迹检测器,用于识别模板化排版、空泛营销文案、过度渐变和缺乏信息层级等常见生成式设计痕迹。

Slop Detector 是一套识别低质量 AI 生成套路的检测机制。 它关注的并不只是作品是否由 AI 生成,而是输出是否带有“一眼 AI”的视觉和内容模式,例如毫无意义的指标卡、重复的圆角模块、缺乏业务逻辑的导航栏,以及形式完整但无法真实使用的按钮与表单。

现有公开资料没有完整展示 Gestalt 在 AI 痕迹检测环节的详细分项,因此不能据此断言它已经彻底消除了生成式设计的模板感。就目前数据而言,能够确认的是 Gestalt 赢得了偏好票,并在综合执行质量上处于第一梯队。

83 分为何能击败两个 84 分模型

Gestalt 最值得分析的现象,是它的客观质量分并非全场最高。 在 Design Critique Rubric 中,Gestalt 得到 83 分,Claude Fable 5.2 和 Claude Opus 5.5 都得到 84 分,但 Gestalt 的 Elo 与盲测胜率反而显著领先。

设计质量分衡量“问题有多少”,偏好投票衡量“人更想选哪一个”。 一份作品可以在间距、字号、对齐或任务遵循方面少犯错误,却仍显得保守和平庸;另一份作品可能存在少量可指出的问题,但因为视觉层级更果断、版式更有记忆点,最终赢得更多偏好票。

人类参考作品的结果进一步说明了这种差异。Human golden 的质量分只有 74 分,比 Gestalt 低 9 分,比两个 84 分的 Claude 模型低 10 分,但它仍以 1739 Elo 排名第二,并获得 74% 的榜单胜率。

专业审美并不是一张可以完全拆解为检查项的表格。 设计师可能明确发现某个页面存在执行问题,却仍认为它比一份“每个模块都正确、整体却没有性格”的作品更好。Gestalt 的优势很可能就在于,它不只是减少错误,还提高了作品第一眼的完成度和视觉说服力。

这也是当前通用模型做设计时最常见的分水岭。较弱模型通常能生成结构完整的落地页,但会反复使用深色背景、荧光渐变、大标题、三列卖点卡和虚构客户 Logo;更强的设计模型则必须理解品牌语气、内容优先级和页面节奏,知道什么时候应该克制,而不是继续添加装饰。

Gestalt 可能不是单一“大语言模型”

Gestalt 更可能是一套面向设计工作流优化的复合系统,而不只是聊天模型换了一个名字。 目前开发团队没有公开模型架构、参数量、训练数据、推理成本、上下文长度或产品入口,外界也无法确认它究竟来自现有大厂、设计工具公司,还是一家仍处于隐身阶段的创业团队。

设计任务天然适合多阶段智能体,而不是一次性生成。 一个高质量系统可以先解析客户 brief,再建立信息架构,随后生成多个版式候选,通过视觉模型检查字体、对比度和间距,最后自动修正不合理组件。用户最终看到的是一份设计稿,但后台可能已经完成多轮规划、生成、渲染和批评。

Gestalt 的命名也让外界联想到格式塔心理学,但名字本身不能证明其技术路线。格式塔设计原则是一组强调人类如何感知整体、邻近、相似和连续关系的视觉组织规律。 如果模型针对这些规律做过专门训练或奖励建模,它确实可能比主要面向文本与代码的通用模型更擅长组织页面层级,但目前没有官方技术材料可以验证这一猜测。

匿名状态使 Gestalt 的结果更有话题性,也降低了结论的可验证性。 在团队身份、模型版本和调用方式都未公开之前,第三方无法检查它是否针对 33 项任务做过训练、是否使用了额外人工筛选、每项任务生成了多少候选,以及榜单提交结果是不是经过后处理。

这张榜单仍有四个关键限制

第一项限制是任务数量只有 33 个。 这些任务虽然来自真实商业委托,但仍无法覆盖企业后台、移动端应用、复杂数据可视化、电商转化、无障碍设计、本地化和大型设计系统等全部场景。

第二项限制是 Gestalt 对人类的直接比较只有 28 次。 20 比 8 是清晰胜利,但样本仍然不大,几个任务或几位评审的偏好变化就可能明显改变直接胜率,因此“超过人类”应严格限定在本次盲测,而不是扩大为对整个设计行业的判断。

第三项限制是单张结果无法衡量完整工作流。 商业设计真正昂贵的部分往往不是做出第一版,而是追问需求、解释选择、处理利益相关者意见、维护组件一致性,并在十几轮修改后仍保证系统不崩。

第四项限制是当前没有价格与速度数据。 如果 Gestalt 每个任务需要生成数十个候选、运行十分钟并消耗大量推理算力,它的榜单第一未必能直接转化为生产力优势;如果它能在一分钟内稳定产出可编辑结果,意义则完全不同。

因此,接下来最值得关注的并不是 Gestalt 的“真身竞猜”,而是三项硬指标:

  • 是否向第三方开放可重复测试的固定版本;
  • 是否披露每项任务的生成次数、人工筛选和后处理流程;
  • 是否能输出可编辑组件、响应式布局与设计系统,而非只有最终渲染图。

对设计工具和模型厂商意味着什么

Gestalt 的登顶说明,设计能力正在从通用模型的附加功能变成独立竞争赛道。 过去厂商展示设计能力,常用“根据一句话生成网站”作为演示;现在真正的差距开始转向成品是否符合商业 brief、是否有稳定审美,以及专业设计师愿不愿意选它。

这张榜单也暴露了通用模型在垂直任务上的上限。 Claude Fable 5.2 的质量分达到 84,说明它很少犯明显错误,但 Elo 只有 1713,比 Gestalt 低 218 分;GPT-6.1 Sol 为 1668,更落后 263 分。通用模型可以覆盖写作、代码、分析和设计,却未必能在专业审美偏好上击败经过垂直优化的系统。

对设计师而言,短期冲击最大的是标准化的第一稿生产。 落地页、产品介绍页、活动页面和早期产品原型都有明确结构,也容易通过视觉偏好筛选候选方案,这正是模型最容易提高效率的区域。

对资深设计师而言,价值会进一步向定义问题和控制系统迁移。 当模型能稳定给出“看起来能用”的页面,设计师的差异化能力将更多体现在品牌判断、业务约束、用户研究、复杂交互、设计系统和最终责任上,而不是单纯把线框稿画成高保真界面。

现在还不能把 Gestalt 当作可用产品

截至 2026 年 11 月 21 日,Gestalt 仍然只是一个取得突出评测成绩的匿名参赛模型。 它没有公开开发团队、正式产品、价格、技术报告或普遍可访问的体验入口,因此目前无法推荐开发者将其用于生产环境。

这次成绩的真正价值,是把 AI 设计评测从“像不像作品”推向“专业人士愿不愿意采用”。 4311 张盲测投票比厂商自行挑选案例更有参考意义,真实商业任务也比单纯视觉提示词更接近用户需求。

但榜单终究只是开始。Gestalt 如果公开后仍能在独立任务、固定版本和透明成本下复现 1931 Elo,它可能代表 AI 设计系统的一次实质跃迁;如果成绩依赖大量候选筛选、隐藏人工处理或针对性优化,那么它更像一次成功的匿名亮相。

我们的判断是:Gestalt 已经证明“AI 作品在盲测中超过人类参考稿”是可发生的,但尚未证明“AI 已经比人类设计师更强”。 前者是本周真实出现的榜单结果,后者仍需要更大规模、更透明且可复现的证据。

参考来源

相关推荐

查看全部