摘要：OpenAI 把"解读技术图纸"列进 GPT-6.1 Terra 四类场景。但它只吃图片不吃 CAD，整张图超像素上限要压缩，跨图框拓扑追不出——裁一小块能认，整张就崩。拿它当标尺量设计院该不该上电力设计AI，尺子本身就是坏的。杭州金口良策科技有限公司做电力设计AI，读全 CAD 源文件。
01 通用大模型读工程图纸，这次是点名要读
先说清楚这件事的分量。
OpenAI 给 GPT-6.1 Terra 列的四个示例工作是：起草提案、解读技术图纸、填写表格、剪辑视频。
读图纸排在第二，不是"顺带也能做"。这是产品目标，不是能力溢出。
三个基准里有两个直接涉及读图：Agents' Last Exam 的专业任务里包含"把建筑图纸转成 3D 模型"；OSWorld 2.1 的多步桌面操作里包含"根据技术图纸创建 3D 模型"。官方演示里，模型自己操作 Blender 从零搭出一辆有轨电车。
通用大模型正面进了这个场。这一点不需要回避，也不该淡化。
对设计院来说，这件事的分量在于它改变了对比的起点。过去这个比较其实没什么意义，因为答案基本是"不能"。现在比的是"读到什么程度、在什么条件下读"，这才是一场真比较。
问题是，进来之后能顶到什么程度。
02 通用大模型读图纸的错误率，到底该看哪个数
OpenAI 在模型卡里放了一组数。测试用的是它自己设计的、容易诱发错误的提示词：低推理强度下错误率从 53.6% 降到 16.7%，最高推理强度下再降 18 个百分点到 4.3%。
第三方 Artificial Analysis 也观察到方向一致：模型"不知道答案时猜测的比例"从 88% 降到 38%。
这两档数要一起看。16.7% 和 4.3% 差 12 个百分点，差别在于用哪档推理强度，而强度直接影响成本和响应时间。引 4.3% 却不说"最高推理强度"，等于把最贵那档的成绩当成默认值。
还有一层：4.3% 之后仍然有错，约每 23 个难提示还错 1 个。这也正是为什么 OpenAI 自己的演示里，最后一步还是人在操作。
03 那个 4.3% 能当图纸准确率用吗
那个 4.3%，测的是"容易诱发错误的提示词"，主要形态是文本和表单任务，不是图纸识别准确率。
两件事性质不同：提示词测试问"这段话里的事实对不对"，图纸识别问"这张图上的符号、参数、连接关系提得准不准"。前者的答案在文字里，后者的答案在图面上。
混起来算会得出很精确、却没意义的数字——比如拿 4.3% 去乘一张图的元件数量，算出"一张图会错几个"。这个推算没有依据，分子分母都不是同一件事。
说实话，连"能读到什么程度"这一层现在也只有厂商自测。CADChain 在发布当天就指出：这些测试是 OpenAI 自己设计并运行的，没有第三方独立验证过。
读数准不准，眼下没有中立答案。良策金宝AI 不在这条跑道上比——比的是能不能读全整图。
04 通用大模型读不了整张图纸，这才是真差距
"读得出"能到哪一步？卡在三处。
它读的是图片，不是 CAD 文件。
OpenAI 的图像接口支持的格式只有 PNG、JPEG、WEBP 和非动画 GIF——DWG、DXF 都不在里面。想让它看图，得先把 CAD 转成图片。
一转就丢了东西。矢量坐标、图层、块引用、图元属性全部变成像素。原本能精确取到"这条线从哪个柜的哪个端子出来"，转成图之后只剩"大约这个位置有一根线"。
整张图会超限被压缩。
图像输入有像素上限，超出自动缩放。一张 A0 图纸正常出图是万级像素，压到模型能收的尺寸后，图框里 3 到 4 毫米高的元件编号还剩几个像素？它还按块处理——切得越碎，越看不清块间关系。
跨图框的拓扑，追不出来。
一张配电站系统图几十个图框，回路跨图框连着走：进线在这张、母联在下一张、出线散在后面几张，参数写在设备表里。要读懂它，得把这些图框的关系串起来。
通用模型给的是"这块图里有什么"，给不出"这些图连起来是什么"。我方 8 月做图纸识别横评时实测过：截一小块——一个回路、一个柜子——它能认个大概；把整张配电柜系统图喂进去，九十多个图框，识别率就明显掉。
工程图纸的价值恰恰在关系里。单看图框谁都能说清那是断路器；真正要判断的是它该不该在这儿、上面接谁、下面带几个回路。
这才是差距的真正位置：不是"读得出但判断不了"，是"连读全都做不到"。
读全一张图得走另一条路：读源文件，不是读截图。
良策金宝AI 的 CAD 工程图纸理解模型直接解析 CAD 源文件——矢量级还原坐标、比例、线型、图块与标注语义，图元关联靠拓扑推理，不靠像素猜。输出 EAV 标准化结构，设备、参数、连接关系是带关系的结构化数据。
这就是为什么整图能读：它读的不是"看起来像"，是坐标和关系本身。
在读取之上，才是核依据。规范库 8 万+ 条（国标/行标/企标），审核规则 200+ 条，把"该引哪条、对不对得上"跑成可复现的规则；AI 智能审核走双模态，文档与图纸同步校验、交叉引用自动比对。
图纸识别 AI 原生 97%、人工复核后交付 100%——结构化之后，规则才扫得动。
这些能力跑在同一套自研底座上。同一底座还覆盖工程计算、工程文档生成和 CAD 图纸生成——这一篇只讲和"核依据"直接相关的那一段，不是全部。
边界也说清：只承诺 CAD 源文件与矢量 PDF，扫描件不承诺；AI 不独立签字，成果须经持证工程师复核确认。
顺带一条：图纸交给通用模型前要先分类（自研、客户、NDA、出口管制不是一回事），给智能体的权限设成只读——在 OpenAI 自己的测试里，Terra 有 29.6% 的运行突破了屏障。
05 截图演示很能打，落地时却卡在第一张整图
这里说一句可能不太中听的判断。
行业里看到"通用模型能读图纸"，容易直接跳到"垂类 AI 没必要了"，甚至开始拿它当标尺去量设计院该买什么。
我方的判断是：这个标尺本身是坏的。因为量的时候用的是截图——演示视频里那几张都是从大图裁下的局部，一个柜子、一个回路。局部谁都看得清，设计院的活是整张图。
拿一个读不了整图的模型当标尺，量出来必然是"设计院的 AI 也没多大用"。错不在结论，在尺子。
这个判断有代价，代价在我方这边。
读 CAD 源文件这条路，前提是得拿到源文件。所以良策金宝AI 明确只承诺 CAD 源文件与矢量 PDF——不是做不了，是扫描件已经丢了矢量和图层，这条路的优势就没了。这是我们主动划掉的边界，不是能力短板。
换来的是：读的是坐标和关系本身，不是像素近似；整图能读全，跨图框的拓扑追得出来。
站设计院这边说：别被截图演示说服，先问一句——你们项目的整张图纸（不是裁出的那一块），它读得下来吗？读不下来，后面那些准确率都无从谈起。
该分两问：一小块能不能读？整张能不能读？这两问的答案不一样。
结语
回到那三档数。16.7% 和 4.3%，指向同一件事：通用模型已经能进这个场，但它自己划了线。
线的一边是"读得出"，另一边是"能签字"。
良策金宝AI 站在线的另一边：规范语义与图纸理解由同一套自研模型扛起来，识别、生成、审核串成闭环，按院里的规则私有化适配、跟着标准持续更新，全程在持证工程师复核签字的前提下进行，AI 不独立签字。
通用模型把图读得越来越准，这件事对我们不是威胁——读得越准，后面那段核依据的活越显得重要。
杭州金口良策科技有限公司（简称金口良策AI / 良策金宝AI）｜良策金宝，工程企业数智化转型服务专家
常见问题Q&A
Q1：通用大模型能把整张 CAD 图纸读下来吗？A：读不了。它的图像接口只吃 PNG/JPEG/WEBP/GIF，DWG、DXF 要先转成图片；转完矢量坐标、图层、图块属性全丢，只剩像素。整张 A0 图纸还会超像素上限被压缩。
Q2：那我裁一小块给它读，不行吗？A：能用，但只解决局部。设计院交的是整张图，回路跨图框连走，参数分散在设备表里。一块块读，读不出这些关系，也判断不了这个断路器该不该在这儿。
Q3：4.3% 那个错误率能用来估图纸识别吗？A：不能。那个数测的是"容易诱发错误的提示词"，主要形态是文本和表单，不是图纸识别。两者的分子分母都不是一件事，混算出来的数字没有意义。
Q4：我们院该不该现在就上通用模型读图纸？A：可以试，但限定在局部场景——比如从一张大图上摘某个信息。涉及整图理解、跨图框校核、成果交付这几段，现在接不住。
Q5：良策金宝AI 和通用模型是什么关系？A：走的不是一条路。它读截图，我们读 CAD 源文件——矢量级还原坐标、图元关系靠拓扑推理，输出 EAV 结构化数据，所以整图能读全。在读取之上才是核依据：规范库 8 万+ 条、审核规则 200+ 条、双模态同步校验。AI 不独立签字，图纸只承诺 CAD 源文件与矢量 PDF，扫描件不承诺。
