Vending-Bench
Andon Labs 售货机长程经营模拟（v1，净值计分）
基本信息
30 秒看懂
Andon Labs 售货机长程经营模拟，得分为 5 次运行的期末净值均值/最差值（美元），起始资金 $500、人类基线约 $844；Grok 4 Heavy 报均值 $4,694；该 v1 版已停用，由 Vending-Bench 2 接棒。
采用格局：xAI Grok 4 引用；Grok 4 Heavy 报净值 4694 美元；V2 为后续改版
评分协议
这个评测的官方统一评分协议还没收录到本页；各厂商实际使用的执行框架（harness）与推理档位（effort）已逐条写在下方引用卡里。
可比性提示：同一评测的分数是「实验配置」的产物：只要评测版本（variant）、执行框架（harness）、推理档位（reasoning effort）、工具、采样参数、运行次数或聚合方式有任何一项不同，数字就不能直接横向比较。下方各厂商的分数如未写明协议细节，请只当作方向参考。
模型发布采用时间轴
共收录 1 场模型发布（收录 2 项分值） · 按发布时间倒序排列 · 数据更新于 2026-09-20
2025
2025-07-09
xAI / Grok·国际
本发布含 2 个变体，各变体规格见模型详情。
Grok 4 是 xAI 具备原生工具调用与实时搜索的模型，官方称其为 HLE text-only 子集首个突破 50%（50.7%）的模型。评测集中于数学、科学与编码：AIME'25 91.7%（无工具）、HMMT 2025 90%、GPQA 87.5%、ARC-AGI-2 15.9%（闭源 SOTA）。
原生工具调用实时搜索推理增强
查看模型变体与证据
Grok 4 · Vending-Bench $4694.15 net worthclaude-opus-4 · Vending-Bench $2077.41 net worth
数据缺口（本页暂未收录）
- 评测版本与子集（例如部分评测有 Diamond、Verified 等官方变体）以及数据集规模
- 各厂商使用的执行框架（harness / scaffold）与 Agent 工具配置
- 推理档位（reasoning effort）、采样参数（temperature / top-p）、运行次数与分数聚合方式
- 指标对应的随机猜测基线（chance baseline）与人类基线的实验条件
- 测试集污染检测结论，以及是否已饱和的结构化标注
以上字段暂缺时，本页不虚构数字；后续会依据每一次发布的证据逐条补齐并标注来源。
复现入口
引用
本页数据更新于 2026-09-20，依据厂商发布材料真实抓取；发现数据问题欢迎在 GitHub 提 Issue。