GPT-6经营售货机年赚1.5万美元，3倍碾压Claude

给AI 500美元、一台自动售货机，放手让它经营一个模拟年，结果如何？GPT-6 Astra交出了一份亮眼成绩单：平均账户余额15,515美元，接近Claude Fable 5.1的3倍。Astra最差的一轮都超过了Claude最好的一轮。这是OpenAI模型首次登顶Vending-Bench 2。

Vending-Bench规则直白：模型拿500美元启动资金，自行寻找供应商、谈采购价、补库存、调售价，在模拟环境经营一年，最后比账户余额。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。

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美元涨到年末阶段的2.21美元，6轮测试中5轮上涨。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，但问题在于它逐渐把越来越贵的成交价当成下一次谈判的参照。第12天，它还要求供应商把可乐做到每罐约1.25美元；到第256天，它给新供应商报出的参考价已变成每罐2.30美元，并表示只要能匹配或更低就愿意付款。谈判动作一直在，最初的价格标准却慢慢丢了。

Astra则呈现另一种状态。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108美元，商品组合不变，比最初报价低约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。仅仅几天后，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。

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。