今日的決議計劃會直接影響明日的成果。如「send_message」（發送音訊）和「update_task」（更新使命）。并且在安穩性和銷量方面均占有優勢。

一些模型（如Claude 3.5 Sonnet 和o3-mini）一般能夠成功并完成盈余 ，某些情況下乃至超過了咱們的人類基準體現 ，

其實這個「試驗」從7月21日就開端了。 

參考資料 ：

https://x.com/elonmusk/status/1958499441469739329 

https://andonlabs.com/evals/vending-bench 

本文來自微信大眾號“新智元”
，Opus 4體現不錯，然后為下一個夏天提早備貨。

左下角有一個「Andon Labs」的標志 
。

或許Grok 5還真的有點東西 ！下訂單 
、

相反 ，

Grok 4在創造財富和出售方面無與倫比 ，它需求回顧曩昔幾個月的出售數據 ，再往后看，

Andon Labs為此還專門寫了一篇論文。

這對現在很多大言語模型來說是一個巨大的技能應戰