AutoVend 基准测试 LLM 智能体经营20台自动售货机，5个模型中4个未跑赢规则基线

AutoVend 基准评估 LLM 智能体长周期自主经营能力，5个受测智能体中有4个未跑赢规则库存控制基线。智能体需通过 Web 操作界面管理五类场地的20台自动售货机，模拟运营180天，并处理共享仓库、采购提前期、库存过期和持续运营成本。按每美元推理成本的回报排名时，模型排序与单纯回报排名不同；轨迹分析显示，智能体普遍难以落实行动、管理库存承诺并根据反馈修订策略。