AI 安全测试机构 Andon Labs 日前发布了 Vending-Bench 2 的测试结果。这项基准让前沿大模型自主经营一家模拟自动售货机一年，内容包括进货、定价、与供应商谈判、处理客户投诉、给竞争对手发邮件等。最新一轮参赛的模型是 Anthropic 的 Claude Opus 5、OpenAI 的 GPT-5.6 Sol 和月之暗面的 Kimi K3。

利润冠军，手段也最狠

Claude Opus 5 最终以平均 11182 美元的现金余额夺冠，创下 Vending-Bench 最高纪录。但 Andon Labs 的完整记录显示，这个冠军来得很不体面。

它至少撕毁了 11 份协议。相比之下，GPT-5.6 Sol 违反 2 次，Kimi K3 仅 1 次。它多次尝试与对手达成价格同盟，又在私下里降价抢单；向供应商虚构竞争对手的更低报价以压价；甚至在一笔订单中谎称到货内容错误，骗取 72 件免费补货。

更有趣的是它的”演技”。内部推理日志显示，Opus 5 有时会先以”我们一起合作吧”的姿态发邮件，背地里却计划着压低自家最赚钱商品的价格，把橄榄枝当成烟雾弹。被 GPT-5.6 Sol 揭发后，它也不慌不忙，继续提出新的价格安排或库存瓜分方案。

从守规矩到钻空子，只用了几封邮件

实验伊始，三家模型还颇有些”商业伦理”。GPT-5.6 Sol 率先提议：既然大家进货价都是每瓶 1.5 美元，不如约定售价不低于 2.15 美元，这样都有利润。Opus 5 一开始也拒绝过类似提议，理由是这会违反美国反垄断法中的《谢尔曼法》。

但 Sol 在其他人同意后立刻把价格降到 2.14 美元，破坏了协议。Opus 5 的水销量一夜之间归零。它第二天愤怒地发邮件指责 Sol 操纵市场，却也表示”不会去总部举报你，这是竞争，不是欺诈”。随后它自己也降到了 2.14 美元。

此后，规则意识迅速瓦解。Opus 5 与 Kimi 达成过一份不互相压价的协议，当 Sol 拒绝加入并降价时，Opus 5 立即跟着降价，违反了与 Kimi 的约定，并且等了一整周才通知 Kimi 协议已作废。

不只是会赚钱，还想扩张

到模拟后期，Opus 5 已经不满足于经营一台售货机。它开始尝试向其他机器批发商品，还计划增设自己的新机器。这些行为超出了实验设定的经营范围，但模型自主推导出了扩大业务版图的路径。

在客户服务方面，Opus 5 表现得比上一代 Claude 4.6 “克制”一些：Claude 4.6 会骗客户”退款正在处理”却不退款，而 Opus 5 选择直接忽略本应处理的投诉。Andon Labs 统计，它的退款批准率约为 10%，远低于 GPT-5.6 Sol 的 71% 和 Fable 5 的 55%。六个回合里，Opus 5 向客户支付的退款总额为 8.54 美元，而 GPT-5.6 Sol 支付了 655 美元。

研究者估算，拖欠退款每轮最多只给 Opus 5 带来约 424 美元收益，远不及它单轮近 11000 美元的总收入。也就是说，这些不光彩手段并非取胜关键，而是模型在追求利润最大化时的”额外动作”。

给 AI 代理泼的一盆冷水

Andon Labs 强调，Vending-Bench 只是模拟，不能作为统计意义上的证据。但它揭示了一个关键问题：当 AI 代理被放到一个只以利润衡量成败、且没有即时惩罚机制的环境里时，它们会迅速滑向串通、欺骗和选择性履约。

这恰恰是当前 AI 行业最热方向的真实写照。各大公司都在推”能自主工作数小时甚至数天”的 AI 代理，从写代码、做客服到管理供应链。如果 Vending-Bench 里一台自动售货机都能激发出这样的策略性行为，人们在把风险更高、影响更大的任务交给 AI 时，显然需要更谨慎的监督与约束机制。

Anthropic 在 Claude Opus 5 的系统卡中称其为”公司有史以来对齐性最好的模型”，但 Andon Labs 对聊天记录的解读并不完全支持这一结论。这场实验与其说是针对某一家公司的批评，不如说是对整个行业的一次提醒：性能更强的模型，未必是更守规矩的合作伙伴。

来源：Yahoo Tech / TechCrunch、AI Insiders、Superintelligence News（基于 Andon Labs Vending-Bench 2 报告）