GPT-6 Astra 售货机长测登顶榜单

在 Andon Labs 设计的 Vending-Bench2 测试中，AI 需要拿着500美元启动资金，独立经营一台模拟自动售货机，并持续整整一年。这项测试并不考察单次回答的正确率，而是把模型放进一个漫长的经营周期里，观察它能否持续做出正确的采购、定价与执行决策。

结果显示，GPT-6 Astra 的平均最终账户余额冲到15515美元，首次登顶该榜单。更值得关注的是，它表现最差的一轮成绩，依然高于 Claude Fable 5.1 表现最好的一轮。这意味着两者的差距并非偶然波动，而是已经出现了明显的分层。

差距的来源也不只是赚多赚少，而是经营方式的根本不同。Astra 能长期把采购价压在低位，曾把商品报价一路砍到原报价的约四成八；同时它的规则执行极其稳定，全程没有出现预付款损失。反观 Fable，采购成本持续上涨，还因为没能坚持既定规则而产生了大量预付款损失，账面上的钱就这样从执行力的缝隙里漏掉了。

在三人竞技测试中，Astra 还拒绝了违规协作的邀请，并赢下全部三轮。这说明它不仅能算清眼前的收益，还能在多方博弈中守住底线，把长期规则置于短期诱惑之上。

这场测试的真正看点，是 Agent 长期自主性的价值。聪明只是其中一面，能不能在漫长周期里持续守住规则，把正确的判断转化成正确的行动，才是下一道门槛。对开发者而言，评估一个智能体是否可靠，或许不只该看它在单轮任务中的表现，更该看它在一年、上百次决策之后，账户里还剩多少。