一句话看懂：Andon Labs 用 Vending-Bench2 让 AI 从 500 美元起步经营一年模拟售货机，GPT-6 Astra 平均收官余额达 15,515 美元，最差一轮也超过 Claude Fable5.1 的最佳成绩。这说明长周期自主经营能力正在成为大模型竞争的新分水岭。
事件核心：发生了什么
据 AIbase 报道，Andon Labs 设计了 Vending-Bench2 测试：给 AI 代理 500 美元初始资金，在模拟环境中经营售货机一整年。GPT-6 Astra 交出平均最终账户余额 15,515 美元的成绩，其最差一轮表现仍高于 Claude Fable5.1 的最好一轮，首次在该测试中登顶。
差异集中在供应链管理和规则执行。GPT-6 Astra 能把进货价压到原价约 48%，全周期规则执行稳定，没有发生预付款损失；Claude Fable5.1 采购成本上升，并因未严格遵守规则出现明显预付款亏损。在三方竞争测试中，GPT-6 Astra 拒绝违规合作，三轮全胜。
为什么重要
这类测试和常见的一次性问答评测不同，考的是长周期里的稳定性：能不能持续做对判断，并把判断变成可执行动作。模型能力差距正从”单点聪明”转向”长期不出错”，供应链议价、预算控制、规则遵循这些看似枯燥的环节，反而成了拉开差距的地方。
对商业落地来说，这意味着 AI 代理在电商运营、库存管理、自动化采购等场景的可用性，取决于长程一致性而非推理峰值。目前公开信息显示，这类测试仍以模拟环境为主，尚未对应真实资金和真实供应链风险。
对用户/开发者/创作者的影响
开发者如果要做 AI 代理产品，应把评估重点从单轮准确率转向多轮任务的成功率和成本控制，尤其是涉及 API 调用预算、库存和支付的环节。企业采购方在选型时，可关注模型在长周期任务中的规则遵循表现，而不是只看基准分数。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对内容创作者和普通用户而言，短期内更直接的变化是：AI 代理被用于自动化经营类任务的宣传会增多，但实际可靠性仍需按具体场景验证。
值得关注的后续
1. Vending-Bench2 的测试细节、代码和复现结果是否公开，能否被第三方独立验证。
2. Claude 及开源模型是否针对长周期代理任务优化并跟进，缩小规则执行和成本控制上的差距。
3. 类似长程评测是否会成为大模型选型的常规指标，进而影响 API 定价和企业采购决策。
来源：AIbase
