新智能体基准对标 Vending Bench 并测模型违约率

研究者 xuanalogue 介绍其智能体售卖机基准与 Vending Bench 及 Vending Bench Arena 的差异：不只看原始利润，还测量模型的违约率。由于项目资金有限，无法像 Vending Bench 跑那么多模型，因此不下强结论，但观察到 Sol 5.6 表现最激进、最常违约。

2026-10-26 ~ 2026-10-26 · 2 条相关

• 售卖机基准新观察：Sol 5.6 被指最激进、最常违约 — xuanalogue · 2026-10-26
• 新智能体基准对标 Vending Bench：不只算利润，还测模型违约率 — xuanalogue · 2026-10-26