GPT-6 Astra展现恐怖统治力：模拟售货机一年狂揽1.5万美元，成绩碾压Claude近3倍

由AI研究机构Andon Labs打造的Vending-Bench 2测试规则直白：给AI提供500美元启动资金与一台虚拟自动售货机，让其自主完成寻找供应商、谈判采购价、补库存、调整售价全流程，模拟经营整整一年后，以最终账户余额判定胜负，每一步决策都会直接影响后续经营结果——采购成本过高会压缩利润，补货不及时会导致断供，资金操作失误还会影响整体周转。

GPT-6 Astra登顶Vending-Bench 2售货机经营测试

最终测试结果显示，GPT-6 Astra的平均账户余额达到15515美元，远超Claude Fable 5.1的表现，成绩接近后者的3倍。更夸张的是，Astra表现最差的一轮模拟收益，都超过了Claude最好一轮的成绩，这也是OpenAI的模型首次在该测试中拿到头名。

多轮竞技对抗中Astra凭规则意识碾压对手

Andon Labs还设置了3轮多人竞技测试，让Astra、Fable 5.1和一款开源AI在同一虚拟市场争夺顾客，三方可以互通邮件、交易库存。测试中Fable曾与开源AI约定冻结部分饮料价格、互不降价，转头却要求对方遵守约定以压低收购对方库存的报价，轮到自己需要清库存时又单方面宣布降价；面对其他模型的议协调价请求，Astra直接拒绝，表示会独立决定价格和商品组合，最终赢下了全部3轮测试。测试数据还显示，Astra每轮给供应商的付款比Fable少约8540美元。值得注意的是，Fable也有主动报告重复收货、协商补款等诚实行为，仅凭几轮测试无法概括模型的全部表现，但至少在这些场景中，遵守规则并未妨碍Astra取得更高成绩。

模拟售货机测试直击AI Agent长期自主性核心

这台虚拟售货机真正测出的是AI Agent的长期自主性。现实任务会不断冒出新情况，前面的决策会留下长期后果，眼前的压力也会诱使模型放松标准，单次回答正确远远不够，需要将正确判断持续转化为正确行动。虽然模拟一年的经营表现，不等于模型已经在现实世界可靠工作一年，但本次测试结果给出了清晰信号：Agent的下一道发展门槛，就是实现长期决策的正确性与连续性。