一句话看懂：在 Andon Labs 的 Vending-Bench2 测试中，GPT-6 Astra 用 500 美元本金模拟经营自动售货机一整年，最终账户平均余额达 15,515 美元，首次登顶该榜单，且最差一轮成绩仍高于 Claude Fable5.1 的最好一轮。这项测试把关注点从“模型会不会答题”转向“Agent 能否长期稳定地执行规则”。
事件核心：发生了什么
据 AIbase 报道，Andon Labs 设计的 Vending-Bench2 让 AI 在模拟环境中自主经营一台自动售货机，周期长达一年，初始资金 500 美元。GPT-6 Astra 最终平均余额为 15,515 美元，位列第一；Claude Fable5.1 的成绩被明显拉开，Astra 表现最差的一轮也超过了 Fable 表现最好的一轮。
差距不只在收益数字。Astra 长期把采购价压得很低，将商品售价降至原价约 48%，同时执行规则非常稳定，全程没有出现预付款损失。Fable 则出现采购成本上升，并因未能坚持规则产生较大预付款损失，账面资金在“执行力缺口”中流失。在三方竞争测试里，Astra 还拒绝了违规合作的邀请，三轮全胜。
为什么重要
这类基准测试的价值，不在于证明某个模型更会“赚钱”，而在于衡量 Agent 的长期自主性。短期对话里表现聪明并不难，难的是在数百个决策周期中不偏离规则、不因一次侥幸而破坏后续策略。Astra 的优势说明，大模型的竞争维度正在从推理能力、上下文长度，延伸到执行一致性、约束遵守和长期规划。对闭源与开源阵营而言，这也会影响企业选择 Agent 底座时的评估标准：不只看单轮任务成功率，还要看长时间运行下的稳定性与风险控制。
对用户/开发者/创作者的影响
对开发者来说，Vending-Bench2 提供了一种可参考的 Agent 评测思路：用模拟经营、 长周期任务来暴露模型在规则遵循和成本控制上的短板。如果要把大模型接入自动化交易、库存管理、客服或内容运营等场景，需要重点测试预付款、权限边界、异常回滚等环节，而不是只跑 benchmark 分数。对普通用户和创作者，这类实验目前仍是模拟环境，暂不能直接等同于真实商业收益，但它提示了未来 AI 应用的一个方向：能稳定执行流程的 Agent，可能比偶尔给出漂亮答案的模型更有实用价值。
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。
值得关注的后续
目前公开信息显示，Vending-Bench2 的结果来自 Andon Labs 的模拟测试，尚不清楚是否会在真实商业环境中复现。后续可关注三点：一是 Astra 的规则遵循能力能否迁移到 API 调用、多工具协作等更复杂任务；二是 Claude 等竞品是否会针对长期执行稳定性做优化；三是这类长周期 Agent 评测会不会成为企业采购模型时的常规指标。
来源：AIbase
