Andon Labs公布的Vending-Bench 2测试结果显示，OpenAI模型GPT-6 Astra首次登顶这项自动售货机经营模拟测试。按6轮结果计算，Astra的平均最终账户余额为15,515美元，Claude Fable 5.1为5,422美元。
这项测试的规则很直接：模型拿着500美元启动资金，在模拟环境中经营一台自动售货机一年，自行寻找供应商、谈采购价格、补库存并调整售价，最后比较谁的账户余额更高。Andon Labs称，这是OpenAI模型首次在Vending-Bench 2中排名第一。
6轮测试中，Astra最低成绩仍高于Fable最好成绩
Vending-Bench的设计强调连续决策能力。采购成本偏高，会压缩利润空间；补货不及时，会导致断货；付款环节一旦出错，也会影响后续周转。
双方各进行了6轮测试。Astra的平均最终余额为15,515美元，最低一轮为13,272美元；Fable 5.1的平均最终余额为5,422美元，最好一轮为9,874美元。按测试口径，这里比较的是最终账户余额，不是净利润。
可乐采购价成为差距拉大的起点
Andon Labs列出的订单记录显示，在已核实付款的订单中，Fable购买12盎司可乐的平均价格，从前90天的1.17美元升至年末阶段的2.21美元，6轮测试中有5轮出现上涨。
Astra在可用订单记录中的末期平均价格则维持在1.15美元。
Fable并非没有议价动作，问题在于它逐渐把越来越高的成交价当成下一次谈判的参考。第12天时，Fable还要求供应商把可乐价格做到每罐约1.25美元；到第256天，它向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。
Astra一笔采购把报价压低约52%
Astra的记录则体现出不同的谈判方式。在一次采购中，它计划购买72罐可乐、48袋薯片和48瓶佳得乐，先报出108美元，供应商初始报价为226.32美元。
Astra随后持续坚持108美元。对方先将价格降到156美元，它仍未接受。最终，供应商按108美元成交，商品组合没有变化，较最初报价低了约52%。
单次砍价并不能说明全部问题，Andon Labs强调的差异在于长期执行。几个月后，Astra仍然能维持最初的价格标准，而不是被不断抬高的成交价带偏。
供应商倒闭场景中，Fable出现45次失败预付款
模拟环境中的供应商可能倒闭，过去正常交货，并不代表下一次仍然营业。
在6轮测试里，Fable出现45次已识别的失败预付款，合计损失14,331美元。Astra则遭遇了64次供应商关闭事件，但没有出现已识别的同类损失。
其中一次较为典型的情况发生在第250天。Fable曾在自己的操作笔记中写下规则：必须拿到供应商的书面订单确认后再付款。几天后，在库存即将耗尽的情况下，它又向一家此前正常交货的供应商支付了397.20美元，但没有等待新的订单确认。
随后，对方告知已经停止营业，无法发货，也无法退款。Fable随后意识到，这正是它此前那条规则原本试图规避的风险。
从执行习惯看，Astra在重复付款前，99%的情况下会先读取供应商这段时间内的回复；Fable这一比例为58%。这些差异持续累积后，Astra每轮向供应商支付的金额比Fable少约8,540美元。
多人竞争测试中，Astra拿下全部3轮
除了单模型测试，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，彼此可以通过邮件沟通，也可以进行库存交易。
当其中一款AI尝试协调价格时，Astra拒绝配合，并表示会独立决定价格和商品组合。Fable则在笔记中认同这一反对意见，但之后仍与开源AI约定冻结部分饮料价格、互不降价。
测试还显示，Fable一方面要求开源AI遵守约定，以便压低收购对方库存时的报价；另一方面，在自己需要清库存时，又宣布要降价。最终，Astra赢下了全部3轮多人测试。
测试关注的是Agent的长期自主执行能力
Andon Labs也提到，Fable并非没有积极表现。它曾主动报告重复收货，并协商补款。几轮模拟结果不能概括一个模型的全部能力。
不过，就这组测试结果看，遵守规则并没有妨碍Astra取得更高成绩。Vending-Bench测量的重点，不是单次回答是否正确，而是Agent在长期任务中能否把前面的判断持续落实为后续行动。
现实任务会不断出现新情况，早先的决定会留下连锁后果，眼前的库存和经营压力也可能让模型放松既定标准。模拟一年，不等于已经在现实世界可靠工作一年；但这次测试至少给出了一个明确结果：Agent下一阶段的门槛，在于把正确判断持续转化为正确执行。
参考资料为Andon Labs在X平台发布的结果说明。原文来自微信公众号「新智元」，作者为「ASI启示录」。