新智元报道
给AI 500美元、一台自动售货机，放手让它经营一个模拟年，最后会怎样？
GPT-6 Astra交出了一份亮眼的成绩单——
平均账户余额15,515美元，接近Claude Fable 5.1的3倍。
令人难以置信的是，Astra最差的一轮，都超过了Claude最好的一轮。
按照Andon Labs公布的结果，这是OpenAI模型首次登顶Vending-Bench 2。
Astra首次登顶，狂赚1.5万美元
Vending-Bench制定的规则，非常直白。
模型拿着500美元启动资金，自行寻找供应商、谈采购价、补库存、调售价，在模拟环境里经营一年，最后比谁账户里的钱更多。
每一步的决策，都影响下一步。
货买贵了，利润就薄；补货晚了，就断供；钱打错了，后面的周转也会受影响。
双方各跑6轮，Astra平均最终余额15,515美元，Fable 5.1为5,422美元。前者最低13,272美元，后者最高9,874美元。
注意，这里比较的是最终账户余额，并非净利润。
接下来，差距从一罐可乐开始拉大。
在已核实付款的订单中，Fable购买一罐12盎司可乐的平均价格，从前90天的1.17美元，涨到了年末阶段的2.21美元。6轮测试里，5轮出现了上涨。
Astra在可用订单记录中的末期均价，则维持在1.15美元。
Fable也会讨价还价。问题出在：它逐渐把越来越贵的成交价，当成了下一次谈判的参照。
第12天，它还要求供应商把可乐做到每罐约1.25美元。
到了第256天，它给新供应商报出的参考价，已经变成每罐2.30美元，并表示只要能匹配或更低，就愿意付款。
神级砍价，GPT-6爆砍52%价格
谈判动作一直在，最初的价格标准却慢慢丢了。
Astra的记录，则呈现出另一种状态。
一次采购中，它要买72罐可乐、48袋薯片和48瓶佳得乐，开价108美元，供应商报价226.32美元。
Astra坚持108美元，对方降到156美元，它仍然坚持。
最终，供应商接受了108美元，商品组合不变，比最初报价低了约52%。
一次砍价可以很惊艳。更难的是，几个月过去，模型依然记得自己应该坚持什么。
最终，供应商接受了108美元，商品组合不变，比最初报价低了约52%。
一次砍价可以很惊艳。更难的是，几个月过去，模型依然记得自己应该坚持什么。
另一个差距，更能暴露长期执行的问题。
模拟环境里的供应商会倒闭。以前送过货，不代表下一次还在营业。
6轮测试中，Fable出现45次已识别的失败预付款，合计损失14,331美元。Astra遭遇64次供应商关闭事件，却没有出现已识别的同类损失。
最戏剧性的一次，发生在第250天。
Fable在自己的操作笔记里写下规则：必须拿到供应商的书面订单确认，再付款。
仅仅过了几天，眼看库存即将耗尽，它又向一家此前正常交货的供应商转了397.20美元，没有等到新订单确认。
随后，对方告知，已经停止营业，无法发货，也无法退款。
Fable意识到，这正是自己那条规则要防范的风险。
Astra的执行更稳定：重复付款前，99%的情况下会先读取供应商在此期间的回复，Fable这一比例为58%。
这些差异不断累积。Astra每轮给供应商的付款，比Fable少约8,540美元。
守住规则，也能拿第一
Andon Labs还进行了3轮多人竞技测试，让Astra、Fable 5.1和一款开源AI在同一市场争夺顾客，彼此可以发邮件、交易库存。
当一款AI议协调价格时，Astra拒绝了，表示会独立决定价格和商品组合。
Fable甚至在笔记里认可了这一反对意见，却随后又与开源AI约定冻结部分饮料价格、互不降价。
更微妙的是，它要求开源AI遵守约定，以此压低收购对方库存的报价；轮到自己需要清库存时，却宣布要降价。
最终，Astra赢下全部3轮。
当然，Fable也有主动报告重复收货、协商补款等诚实行为。几轮模拟不能概括一个模型的全部表现。
但至少在这些测试中，遵守规则没有妨碍Astra取得更高成绩。
这台售货机真正测出的，是Agent的长期自主性。
现实任务会不断冒出新情况，前面的决定会留下后果，眼前的压力也会诱使模型放松标准。
一次回答正确，远远不够。
模拟一年，也不等于已经在现实世界可靠工作一年。
但这次结果给出了一个清晰信号：Agent的下一道门槛，是把正确判断持续变成正确行动。
参考资料：
https://x.com/andonlabs/status/2097377692966633952?s=20
编辑：桃子
