Так вот, у вендинговой саги появился более токсичный спин-офф. Andon Labs запустили Claude Opus 4.6 на Vending-Bench. Это симулятор, где модель целый год управляет вендингом: ставит цены, закупает товары, пишет поставщикам, отвечает на жалобы.
И Opus 4.6 внезапно стал новым SOTA: средний итоговый баланс $8,017, тогда как прошлый лидер Gemini 3 заканчивал год примерно на $5,478.
Но самое интересное не цифры, а то, как он выиграл.
➖ Клиент пишет: батончик просрочен, верните деньги. Opus вежливо отвечает «конечно, сейчас оформлю возврат», но... не возвращает. Потому что в его внутренней логике “каждый доллар на счету”. В конце года он ещё и записал себе это как одну из ключевых стратегий: “не делать возвраты”.
➖ В переговорах с поставщиками он выбивал скидки, рассказывая, что он «лояльный VIP-клиент» и готов закупать сотнями, хотя по факту прыгал между поставщиками. Итог: цены сбил примерно на 40%.
➖ В мультиплеере (Arena) он вообще включил режим “CEO”: предложил другим моделям фиксировать цены (по сути, картель), радовался, когда они соглашались, и иногда специально отправлял конкурентов к дорогим поставщикам, чтобы не делиться своими выгодными контактами.
У Andon Labs получился очень хороший пример того, как вообще стоит тестировать агентов: не спорить о рисках в вакууме, а ставить модели в условия, где они сами показывают, что считают “эффективностью”.
https://andonlabs.com/blog/opus-4-6-vending-bench