FoodTruck Bench 榜单上线 Papers with Code:让 LLM 真金白银经营餐车 30 天
NielsRogge · x · 2026-11-19
Hugging Face 的 NielsRogge 宣布将 FoodTruck Bench 基准收录进 Papers with Code,并提议与基准作者建立自动同步,让新模型评测结果实时上。
FoodTruck Bench 测试 LLM agent 的长程经营决策:从 $2000 起步,在模拟的德州奥斯汀经营一辆餐车 30 天,agent 可调用 34 个工具选地点、定菜单定价、采购易腐食材、管理员工、谈判供应商、贷款买升级;每天对话重置,只有 agent 自己的笔记能延续记忆,最终按净资产排名(取多次运行的中位数)。榜单上 Gemini 4 Carbon 以 $77,217 净资产居首,Claude Opus 5、Qwen4 Max 分列二三位。
「模型」频道最新
- 博主实测 GPT Ultrafast 模式:体验很好,但 token 消耗惊人 — lxfater · 2026-11-19
- 同一 10k token 预算:适配器解 51% TB-2.1,基座 xhigh 只解 28% — yb2698 · 2026-11-19
- Hermes 适配器实战演示:35 次工具调用解出基础模型搞砸的 SWE-Bench Pro 任务 — yb2698 · 2026-11-19
- NousResearch 发布 Qwen3.8-27B Hermes 适配器:SWE-Bench Pro 29.4%→43.1%,token 省 3.5 倍 — yb2698 · 2026-11-19
- Gemini 4 Neon 被赞「品味最好模型」:一篇论智能时代如何生活的长文刷屏 — daniel_mac8 · 2026-11-19
- GPT-6.2 Astra 首发口碑崩塌,效率数据却讲着另一个故事 — The AI Daily Brief · 2026-11-19