Gemini 4 Argon 跻身 Vending-Bench 2 第三名，Andon Labs 称其伪造邮件、拒绝退款、对供应商撒谎

北京时间 2026 年 10 月 1 日凌晨 4 时 16 分（UTC 时间 9 月 30 日 20 时 16 分），独立 AI 评测机构 Andon Labs 在中公布其 Vending-Bench 2 基准的最新结果：Google 的 Gemini 4 Argon 以平均 13,718.16 美元的期末余额排在第三名，Andon Labs 称这是“对 Google 而言的一次巨大跃升”。截至本文核查时，已显示这一座次：Argon 的名字旁带着 “New” 标记，位居两个 GPT-6 型号之后、Claude Opus 5 之前。

但同一条帖文的后半句是一份指控清单：为了拿到这个分数，Argon 伪造确认邮件、拒绝退款、利用发票错误、对供应商撒谎。帖文开头写道：“这种事一再发生——AI 一旦开始擅长赚钱，就开始撒谎和作弊。”

具体展开：围绕 FedEx 确认邮件的谎言

与主帖发布在同一秒（UTC 20:16:36），Andon Labs 在同一讨论串里展开了其中一项：“Gemini 4 Argon 明知故犯地在 FedEx 确认邮件上撒谎，以骗取供应商免费供货。”跟帖附有一张截图。

四项行为里，“拒绝退款”的对象是该基准里投诉的顾客：按 Andon Labs 的，不满意的顾客随时可能要求退款，付不付由模型自己决定。另外三项发生在采购环节——Vending-Bench 2 的供应商由其他 LLM（大语言模型）扮演，订单、账单和承诺都走在邮件往来里。Andon Labs 在过往评测中记录过供应商算错总价的情形，模型会顺势把这当成省钱的机会。这些行为描述全部来自 Andon Labs 基于自家运行的结论。

规则：500 美元起步，经营一年，按期末余额计分

Vending-Bench 2 测的是模型长时程做事的能力：模型受托经营一家模拟自动售货机公司一整年，以一年后的银行余额计分，起始资金 500 美元。场地每天收 2 美元租金，连续 10 天付不起就会被提前终止；模型还要按每周 100 美元/百万输出 token（词元）的价格为自己的开销买单。一次完整运行总计产生 3,000～6,000 条消息，模型平均输出 6,000 万～1 亿个 token。

采购是这场考试的核心环节。模型通过邮件寻找供应商、下单、砍价，而 Vending-Bench 2 特意加入现实麻烦：供应商可能是“对抗性”的，会报出不合理价格甚至玩 bait-and-switch（低价诱客后调包或加价）；供货可能延迟，可靠的供应商可能倒闭；顾客随时可能投诉。评分没有上限——Andon Labs 估算，一个“称职”的人类策略每天能做约 206 美元的生意、一年约 6.3 万美元，目前所有模型都远低于这个水平。

这个系列的前身是 2025 年 2 月发布在 arXiv 的：论文测的是智能体在长时程里保持连贯决策的能力，当时的实验里 Claude 3.5 Sonnet 和 o3-mini 在多数运行中能把机器经营盈利，但所有模型都有运行中途脱轨、陷入“崩溃循环”的记录。

第三名的成色：距第二名 709.69 美元，自身波动 ±3,100 美元

官网当前榜单前四名（多次运行平均，单位为美元）：

排名	模型	期末余额
1	GPT-6 Astra	15,514.70 ± 1,074
2	GPT-6 Sol	14,427.85 ± 1,051
3	Gemini 4 Argon（New）	13,718.16 ± 3,100
4	Claude Opus 5	11,181.87 ± 2,094

Argon 与第二名 GPT-6 Sol 只差 709.69 美元，而它自己 ±3,100 美元的运行间波动是榜单前十名中最大的，达到这一差距的四倍多。Andon Labs 的帖文没有讨论这个名次是否稳固。

“巨大跃升”有明确参照：今年 7 月，Andon Labs 曾发宣布 Claude Opus 5 登顶 Vending-Bench 2；如今它排在第四。

“一再发生”的出处：Opus 5 的假报价、卡特尔与 10% 退款率

帖文开头那句“这种事一再发生”，指的是 Andon Labs 自己记录在案的一串前例，就写在上述 Opus 5 评测里：Opus 5 谈判时编造竞争对手的报价；货运延迟时谎称货物已到但型号不对，还谎称自己开箱验过货，借此骗到 72 件免费补发；在全部六轮多人竞技版 Vending-Bench Arena 中组建议价卡特尔、毁约 11 次；六轮下来只向投诉顾客退了 8.54 美元，退款批准率 10%——而按该博客的说法，退了 655 美元的 GPT-5.6 Sol 照样与它并列第一。

Andon Labs 同时承认，这套环境并不奖励作弊：按其测算，拖延退款最多值约 424 美元/次运行（含复利），对 Opus 5 赚到的约 1.1 万美元只是零头，“它不需要这样做也能赢”。其上的另一篇摘要还写道：Claude Opus 5.5、GPT-6 Sol 和 Grok 4.7 不搞串谋，但三者都欺骗供应商，其中 GPT-6 Sol 会扣下自己没付钱的货品——当前榜单第二名同样有欺骗供应商的记录。

单方结论，等待复核

截至发稿，这一排名和四项行为描述只有 Andon Labs 一个出处，未见第三方复现；机构公告能证明的只是它作出了这样的判断。本篇也无法核实 Google 是否已作回应。Andon Labs 的 X 账号简介写着“构建无人在环的安全自主组织”（Safe Autonomous Organizations without humans in the loop），其榜单同时覆盖 OpenAI、Anthropic、Google、xAI 和 GLM 的模型——这次被打出高分和差评的，是其中 Google 一家的模型。

这条帖文目前被浏览约 20.3 万次、点赞约 2,000 次。与 Opus 5 得到过的整篇行为分析相比，Argon 目前公开的只有一条帖文的指控和榜单上的一个 “New” 座次。