设计榜第一不再是 Claude:Gestalt 领先 218 分,成本未公布
Contra Labs 设计榜上,匿名模型 Gestalt 以 1,931 Elo 排第一,领先 Claude Fable 5.2 218 分、人类金标 192 分,但人类对比仅 28 次,身份与成本都没公开。三个指标与四个折扣点都拆开了。
设计榜的第一名换人了,而且换成了一个没有名字的模型。Contra Labs 11 月 19 日更新的 Frontier Design Benchmark 上,标注为 stealth 的 Gestalt 以 1,931 Elo 排第一,胜率 90%,比 Claude Fable 5.2 高 218 分,比人类设计师金标作品高 192 分。这是第一个 Elo 超过人类参考作品的模型。
先给判断:作为「商业网页设计」这一项的实测结果,它值得认真对待;作为「通用能力反超 Claude」的证据,还不够。

1,931 分是怎么算出来的
这套榜单不测「给咖啡店做个落地页」。33 个任务里 27 个来自 Contra 平台上真实的招聘 brief,客户名被替换;另外 6 个是创业公司付费请设计师做的项目。平台近一年 4,600 个建站需求的中位数是 138 词、1,050 美元预算,75% 至少叠加两个约束。
评测是两两盲测:同一份 brief 的两份成品并排,隐藏模型名,左右随机换边,35 位职业设计师选更好的那个,可附理由。5 轮共 4,311 票,用 Bradley-Terry 换算 Elo。模型侧由 BenchFlow 在沙箱跑完整 agent 流程,统一走 OpenRouter。
| # | 模型 / 参考 | 归属 | Elo | 胜率 | 票数 |
|---|---|---|---|---|---|
| 1 | Gestalt(stealth) | 未公开 | 1,931 | 90% | 420 |
| 2 | Human golden | Contra 设计师 | 1,739 | 74% | 571 |
| 3 | Claude Fable 5.2 | Anthropic | 1,713 | 73% | 683 |
| 4 | Claude Opus 5.5 | Anthropic | 1,691 | 73% | 527 |
| 5 | GPT-6.1 Sol | OpenAI | 1,668 | 70% | 549 |
| 6 | Claude Sonnet 5.5 | Anthropic | 1,667 | 69% | 440 |
| 7 | Kimi K3.1 Pro | Moonshot AI | 1,663 | 71% | 519 |
| 8 | GPT-6 Astra | OpenAI | 1,638 | 66% | 449 |
| 9 | Qwen3.8 Max | Alibaba | 1,434 | 39% | 428 |
| 10 | Kimi K3 | Moonshot AI | 1,415 | 40% | 425 |
| 11 | GLM-5.3 Prime | Z.ai | 1,403 | 41% | 464 |
| 12 | Gemini 4 Carbon | 1,366 | 36% | 546 | |
| 13 | Muse Spark 1.3 | Meta | 1,335 | 31% | 503 |
| 14 | Muse Wonder | Meta | 1,249 | 22% | 486 |
| 15 | Grok 4.7 | xAI | 1,247 | 23% | 559 |
| 16 | Gemini 4 Argon | 1,221 | 20% | 547 | |
| 17 | DeepSeek V4 Pro | DeepSeek | 1,121 | 12% | 506 |
两个细节值得单独看。1,638 到 1,714 这 6 个模型构成第一梯队,1,121 到 1,434 这 9 个构成第二梯队,中间 204 分的断层是第一梯队内部差距的两倍多。另外 Gestalt 与 Fable 5.2 的 95% 置信区间不重叠(86–92% 对 69–76%),这比「高 218 分」更有说服力。
口径提示:11 月 18 日的研究报告是 1,928 Elo、89% 胜率(378/423)、领先 214 分;现行榜单是 1,931、90%、218 分。两轮不同快照,不是矛盾,引用时注明用哪一轮。
三个指标为什么同时指向它
只看 Elo 说服力有限,偏好投票容易被「第一眼惊艳」带偏。这个榜单同时给了三个读数:
- 专家偏好:Elo 1,931,90% 胜率。设计师随机分半各自重排、重复 200 次,平均 Spearman 0.95,不是少数人带偏的结果。
- 34 维设计评审:字阶、间距、对比度、是否完整渲染等硬指标,与 Elo 的相关性 r = 0.94。
- Slop 检测器:页面「有多像 AI 做的」,0 到 100。人类金标 0.9,Gestalt 1.2,Claude 三款 31 到 38,GPT 两款 41 到 53,Gemini 两款 54 到 57。
Slop 这项最反常识。Gestalt 不是靠更炫的动效赢,而是避开了模板痕迹:93% 的 AI 网页会在至少一半章节标题上方加小标签,人类网页只有 11%;Claude 系偏爱按钮加水平箭头,GPT 系偏爱斜向箭头,这些已成了模型指纹。

另一组数据更值得注意:人类金标只拿 73.6 分、排第 6,被扣的是按钮文字对比度不足、字标被上一屏裁切这类执行瑕疵;但设计师看着这些瑕疵,仍 74% 把票投给人类作品(425/574)。rubric 能测错误,测不了品味。
四个必须打的折扣
- 人类对比只有 28 次:20 胜 8 负,约 71%,置信区间大致 55% 到 85%。「打败人类设计师」被放大太多,它实际证明的是「在盲测偏好上逼近、偶尔超过人类参考作品」。
- 人类金标不是人类上限:每个 brief 一位设计师、一次性交付,还带瑕疵,是「合格的专业水准」而不是「顶尖作品」。
- 成本未公开:榜单有成本维度,Gestalt 的每任务成本没披露。若单价是 Claude 的数倍,性价比结论会反转——Gemini 4 Carbon 在 MathArena 拿 85.4%,单题成本 15.70 美元,约 GPT-6.1 Sol 的 15 倍。
- 自研指标 + 模型方参与:Slop 检测器是 Contra 自己的分类器,可能被针对性优化;官方明说「与该团队合作持续评估」,不是纯第三方黑盒。
还有一条我自己的核验:中文媒体普遍称 Gestalt「已在 OpenRouter 隐身开放调用」,但 11 月 19 日拉取 OpenRouter 公开模型接口的 479 个条目,里面没有 Gestalt。这条按「官方未公布」处理更稳妥。

谁可能是 Gestalt
排除法先走:Anthropic 已是该榜最强的公开模型,匿名无边际收益;OpenAI 缺的是通用口碑而不是设计榜;Google 19 日才连发 Neon 与 Genie 4,没必要再叠一层匿名;Meta 的 Muse 两款已在榜内。
剩下的可能里我更看重两条。一是中国厂商的旗舰预览——智谱 GLM-5.5 传闻下周发布,时间点吻合,前端与设计是国产模型最可能做差异化的切口。二是设计或前端垂类的产品公司与初创团队:Gestalt 取自格式塔心理学(整体感知先于部分),贴合「审美」叙事,也不像现有产品线的代号体系。
另有一个结构性可能:Contra 手握 200 万以上创意工作者与真实 brief 库,正是「设计品味偏好数据」的稀缺来源。若训练分布与评测分布重合,218 分的可迁移性要再打折。
该不该现在就换
- 营销页、落地页批量生产:值得跟进,但别按 Elo 排名直接切,先拿 10 个真实 brief 自己跑一轮。
- 完整产品前端(含交互、状态、可访问性):先等。榜单只测「能生成一个好看的网站」,响应式、表单路由、可访问性验收没有单独报告。
- 长周期 agent、后端、复杂重构:与此无关。Gestalt 没出现在 Artificial Analysis、CursorBench 等通用榜上,现在当通用旗舰是误读。
两周内看三件事就能定稿:身份与模型卡是否公开(含价格、上下文、是否 best-of-N)、换一批新 brief 和非 Contra 网络的设计师能否复现、通用榜单是否同步靠前。只在原榜原分布上强,它更接近一个「打榜型」产品,而不是格局变化。
相关阅读:《Claude Fable 5.2 规格速查》、《AI 生成网页一眼塑料感?unslop 实测 7 分钟去 AI 味》、《Gemini 4 Carbon 规格速查》。
登录后可点赞、收藏与反馈。