Stealth 模型 · Frontier Design Benchmark

Gestalt(stealth)

Contra Labs 在自己的 Frontier Design Benchmark 上预览的一个设计模型。它排在活榜第一,压过所有前沿模型和人类设计师的基准作品——而除此之外,官方几乎没有公布任何信息。

一句话结论

在 Contra Labs × BenchFlow 的 Frontier Design Benchmark 上(2026 年 11 月 22 日打开),Gestalt(stealth)在 17 个条目中排第一,Elo 1,931,胜率 90%(95% 置信区间 86–92),基于 420 票盲投。Contra 实际跑过的模型里最强的 Claude Fable 5.2 是 1,713 分,低 218 分。Contra Labs 没有公布 Gestalt 由谁开发、架构、参数量、价格、API 或试用入口。

读取时间:2026-11-22

本页所有数字都来自 2026 年 11 月 22 日打开的活榜(页面标注「Updated Nov 2026 · 27 Contra jobs」)以及 Contra Labs 2026 年 11 月 18 日的研究文。榜单会随投票变化,这些数字是当天的快照。研究文的早期数字与活榜不同,本页分开写,不做混合。

活榜数据

Contra Labs Frontier Design Benchmark 榜单前八,逐行照抄。

条目排名Elo胜率95% CI票数
Gestalt(stealth)#1193190%86–92420
人类设计师(Contra 专家组)#2173974%71–78571
Claude Fable 5.2#3171373%69–76683
Claude Opus 5.5#4169173%69–76527
GPT-6.1 Sol#5166870%66–74549
Claude Sonnet 5.5#6166769%65–73440
Kimi K3.1 Pro#7166371%66–74519
GPT-6 Astra#8163866%61–70449

Elo、胜率、95% 置信区间和票数照抄 contralabs.com/frontierdesign/leaderboard 在 2026-11-22 的显示。榜单脚注写明:35 位职业设计师、33 个 brief、4,311 票盲投;页头写的是 27 个 Contra 真实项目。本页只列前八行。

Gestalt 与 Claude Fable 5.2 的差距

这页真正要回答的问题:这个匿名模型相对 Contra 实际跑过的最强模型,处在什么位置。

  • 第一,且高于人类基准

    榜单上 Gestalt(stealth)以 1,931 Elo 排第一。第二名不是模型,而是从 Contra 招募的职业设计师专家组,1,739 分。Contra Labs 的研究文称 Gestalt 是第一个评分高于人类基准作品的模型。

  • 比 Claude Fable 5.2 高 218 分

    Claude Fable 5.2——研究文称它是 Contra 实际跑过的模型里评分最高的——以 1,713 Elo 排第三,胜率 73%(95% CI 69–76),683 票。Gestalt 的胜率区间(86–92)与 Fable 5.2 的(69–76)不重叠。

  • 它身后的模型挤成一团

    Claude Opus 5.5(1,691)、GPT-6.1 Sol(1,668)、Claude Sonnet 5.5(1,667)、Kimi K3.1 Pro(1,663)、GPT-6 Astra(1,638)全都落在 53 分的区间里。Gestalt 对整组的领先幅度,大于这组内部的全部差距。

  • 这只是设计能力,不是通用能力

    这是一项只测一件事的榜单:按真实客户 brief 做出可用的网站,由设计师盲投评判。榜单不能说明编码、推理或长上下文能力——而且 Gestalt 连价格都没公布,无法做性价比比较。

上面的差距是榜单显示的分值之差,不是显著性结论。Contra Labs 研究文在榜单为 Gestalt 1,928、Fable 5.2 1,714 时给出的差距是 214 分。

Claude Fable 5.2:规格、价格与基准

这个排名怎么来的

足以判断这个数字可信度的部分。

  • 33 个真实设计 brief

    Contra Labs 构建了 33 个任务:27 个改编自 Contra 上真实发布的设计工作(客户信息改为虚构),另外 6 个来自创业公司合作方。类型覆盖多页营销站、落地页、带完整流程的 Web 应用和移动应用。

  • 35 位职业设计师,4,311 票

    每个模型在 agent 环境里完成每个任务(BenchFlow 的 SDK,OpenRouter 作为模型供应商),再由从 Contra 招募的设计师对同一 brief 的两份产出做二选一投票。

  • 盲投二选一,再转成 Elo

    评审只看到同一 brief 的两份产出并排对比,不知道哪份来自哪个模型,左右位置每对都会打乱。投票通过 Bradley-Terry 模型换算成每个模型的 Elo 评分。

  • 排名之外还有一套设计评分表

    产出还会按一套精选的设计维度评分——字体层级、间距、对比度、元素是否完整渲染等。Contra Labs 称该评分与设计师排名的相关性为 r = 0.94。

  • AI 味检测器

    一个用人类作品与 AI 作品训练的判别器,把每份产出打 0–100 分,表示它看起来有多像 AI 做的。Contra Labs 称 Gestalt 的产出明显比其他模型更不像 AI 作品,接近人类基准。

以上概括自 2026 年 11 月 18 日的研究文与该榜的方法页,两页都在 2026-11-22 读取。研究文说评分表有 34 个维度,方法页写 35 个,因此本页不引用具体维度数。

Contra Labs 没有公布的部分

以下全部未经确认,本页不做填补。

  • 谁做的

    没有点名任何厂商、实验室或团队。研究文只说正在「与该团队」合作持续评测,没有透露身份。

  • 架构与规模

    架构、参数量、训练数据和上下文窗口都没有公布。你在别处看到的关于 Gestalt 内部结构的说法,都不是 Contra Labs 提供的。

  • 发布、API 与试用

    Contra Labs 说 Gestalt「currently in stealth」(目前处于隐身状态),没有报名、等待名单、API 地址或模型 ID。截至 2026 年 11 月 22 日,没有任何公开方式可以运行它。

  • 价格

    没有价目表,所以榜单的成本轴上没有 Gestalt 的点:这里的 Elo 对比只是质量对比。

只要 Contra Labs 或该模型的团队公布其中任何一项,这一节就会过时——这也是本页标明读取日期的原因。

2026 年 11 月 18 日的研究文

Contra Labs 的研究文早于今天的活榜,数字略有不同。

研究文 · 2026-11-18

公布该榜的研究文给出的数据是:Gestalt(stealth)1,928 Elo,赢得 89% 的票(423 票中的 378 票),Claude Fable 5.2 为 1,714 分,「相差 214 分」,95% 区间不重叠。文中还写到:把 Gestalt 的作品与人类基准作品并排时,设计师 28 次里有 20 次选了 Gestalt。而在 2026-11-22 打开的活榜上,Gestalt 是 1,931 分、胜率 90%、420 票,Fable 5.2 是 1,713 分。两组都是 Contra Labs 自己的数字,只是不同时间的快照,不是勘误。

引自 contralabs.com/research/frontier-design-benchmark(2026 年 11 月 18 日),2026-11-22 读取。这些数字可能已经过期,实时数据以榜单为准。

来源

均于 2026-11-22 打开;本页每个数字都可回溯到这三个页面。

这页的可靠性边界

这只是「一个实验室、一个榜单、只测设计产出」的结果。Gestalt 的 420 票是前八名里样本最小的,随着投票继续,它的评分变动空间最大;Fable 5.2 的 683 票让它的 1,713 分样本更扎实。榜单是快照——2026-11-22 读到的 Gestalt 是 1931,Claude Fable 5.2 是 1713。这里也不是模型评测,因为根本没有办法使用它。

活榜 2026-11-22:Gestalt 1931,人类设计师 1739,Claude Fable 5.2 1713,Claude Opus 5.5 1691,Claude Sonnet 5.5 1667。本站与 Contra Labs、BenchFlow、Anthropic 均无关联。

和真正能用的模型比一比

Gestalt 没有公布价格,也没有 API。Claude Fable 5.2、Claude Opus 5.5 和 GPT-6.2 都有——要交付东西就从那里开始。

Gestalt 常见问题