GPT-6 Astra登顶商业模拟测试 售货机年收益超Claude近3倍

近日Andon Labs发布Vending-Bench2商业模拟测试结果，OpenAI旗下GPT-6 Astra在500美元启动金、为期1年的自动售货机经营测试中，平均最终账户余额达15515美元，收益规模是Anthropic旗下Claude Fable5.1的近3倍，甚至最差一轮测试表现也超过Claude的最优成绩，核心优势体现在供应链议价能力与规则执行稳定性上。

过去大语言模型的能力测试大多集中在对话理解、逻辑推理、短任务执行等维度，很少涉及长达一年周期的动态经营决策。而Andon Labs推出的Vending-Bench2测试，完全还原了线下自动售货机经营的真实变量：包括区域客流波动、供应链价格浮动、供应商资质审核、交易规则限制等，仅提供500美元启动资金，要求AI代理独立完成12个模拟经营月的全流程决策，是目前行业内认可度较高的AI代理商业能力测试基准。

本次测试结果显示，GPT-6 Astra的平均最终账户余额达到15515美元，是Claude Fable5.1平均收益的近3倍，更值得关注的是，GPT-6 Astra所有测试轮次中的最低成绩，也高于Claude Fable5.1所有轮次中的最高成绩，优势差距十分显著。

两者的能力差异主要集中在两大维度：一是供应链管理能力，GPT-6 Astra能够基于历史价格数据预判波动周期，提前锁定低价货源，最高曾将商品采购价压低至原报价的48%，全程没有出现不必要的成本损耗；二是规则执行能力，GPT-6 Astra在12个经营周期内始终严格遵守交易审核规则，没有产生任何预付款坏账损失。反观Claude Fable5.1，其采购成本随着经营周期推进上涨了27%，且因多次违规向未认证供应商预付货款，坏账损失占总亏损的60%以上，直接拉低了最终收益。

本次测试结果也让行业看到了大模型在实体经营场景的落地潜力。此前AI代理的商业化应用大多集中在客服、内容生成、简单流程自动化等短路径场景，而能跑通长达一年的复杂商业模拟，意味着大模型的长期规划、风险控制、动态决策能力已经跃升到新的台阶。

业内人士指出，接下来这类具备商业决策能力的AI代理，有望率先在小微企业经营辅助、供应链优化、门店智能运营等场景落地，不过目前测试仍在模拟环境中完成，真实世界的突发变量更多，相关技术落地仍需要更多场景验证。