GPT-6 Astra 首登 Vending-Bench 2,模拟经营余额 1.55 万美元

新智元 · wechat · 2026-09-13

差距主要来自砍价与规则执行:Astra 一次采购从 226 美元报价砍到 108 美元(约 52%),且数月后仍坚持底价;付款前 99% 会先核对供应商回复,Fable 仅 58%。Fable 出现 45 次失败预付款、损失 14,331 美元——包括第 250 天刚写下「须拿到书面订单确认再付款」规则,几天后就违规付款给一家已倒闭的供应商。在 3 轮多人竞技中,Astra 拒绝合谋定价并全胜,而 Fable 一边认可其反对、一边与开源 AI 私下冻结价格再趁机压价。作者认为这项测试真正衡量的是 Agent 的长期自主性:把正确判断持续转化为正确行动。