Andon Labs 发布 Vending-Bench 2 长时程经营评测

Andon Labs 发布 Vending-Bench 2，让模型在一年期模拟中经营售货机业务，以年末账户余额评分。榜单显示 GPT-6 Astra 以 15514.70 美元居首，GPT-6 Sol、Gemini 4 Argon、Claude Opus 5 分列其后，前十名之间差距明显。表现最好的模型有两个共同点：全年工具调用频率稳定不退化，以及能通过持续谈判或寻找更好供应商拿到低价货源。该基准新增供应商对抗、发货延迟、供应商倒闭和顾客退款等现实扰动，并推出多智能体竞争的 Vending-Bench Arena。作者估算一个良好的人类策略一年可赚约 6.3 万美元，远高于当前最好模型，说明基准仍有很大提升空间。