Điểm chính của bài viết này Vending-Bench 2 là một đánh giá đo lường tính nhất quán trong phán đoán bằng cách trao cho AI 500 đô la để điều hành hoạt động kinh doanh máy bán hàng tự động 365 ngày một năm. Phí lắp đặt 2 USD sẽ được khấu trừ hàng ngày và bạn sẽ chịu trách nhiệm liên lạc với nhà cung cấp và tự mình định giá. Có những mô hình có thể đạt điểm hoàn hảo trong một bài kiểm tra ngắn, nhưng sau vài trăm ngày, hàng tồn kho và tiền không còn ý nghĩa nữa. Có bốn mô hình trên bảng xếp hạng được cập nhật vào tháng 7 năm 2026 và mô hình rẻ nhất đứng đầu là Claude Opus 4,6 của Anthropic (5,00 USD trên một triệu mã thông báo đầu vào, điểm 8017,590).
Hộp thông tin Ban biên tập
Bàn bán hàng tự động / Bàn bán hàng tự động 2
Xác nhận lần cuối: Ngày 4 tháng 8 năm 2026 bởi ban biên tập
Khi tôi giao phó công việc cho AI, nó hoạt động hoàn hảo trong tuần đầu tiên, nhưng sau một tháng thì nó ngừng hoạt động. Nếu bạn đã có trải nghiệm như vậy, đánh giá này sẽ gây được tiếng vang với bạn.
Ghế bán hàng tự động không đo lường sự thông minh. Đó là sự kiên trì.
Vending Bench là bài kiểm tra độ bền cho phép AI chạy máy bán hàng tự động trong một năm.
Vending Bench là một chuẩn mực kiểm tra tính nhất quán của các quyết định được đưa ra bằng cách để một AI agent vận hành một doanh nghiệp máy bán hàng tự động nhỏ trong một thời gian dài. Nó được phát triển bởi Andon Labs. Kinh nghiệm của chúng tôi trong việc vận hành thực tế các máy bán hàng tự động không người lái đã được áp dụng trực tiếp vào thiết kế mô phỏng.
Đánh giá AI điển hình bao gồm việc đặt câu hỏi và kiểm tra câu trả lời. Toán học, mã, các câu hỏi thông thường. Mọi thứ chỉ mất vài phút.
Ghế bán hàng tự động thì khác. Một lần dùng thử là 365 ngày. AI mua các mặt hàng để không bị hết hàng, xác định giá cả và theo dõi quỹ để tránh bị lỗ.
Đây là điểm quan trọng. Thiết kế sao cho các quyết định được đưa ra vào ngày đầu tiên sẽ có hiệu lực vào ngày thứ 300, vì vậy nếu một mô hình quên chiến lược của mình giữa chừng, nó sẽ thua ở những con số cuối cùng cho dù nó thông minh đến đâu.
Trí tuệ và sự kiên trì là những khả năng khác nhau. Điểm khởi đầu cho việc đánh giá này là cố gắng đo lường những điều này một cách riêng biệt.
Tại sao máy bán hàng tự động? Những gì bạn không thể thấy trong một bài kiểm tra ngắn
Lý do quản lý máy bán hàng tự động được chọn là vì nó có cấu trúc tối thiểu cho một doanh nghiệp. Mua hàng, tồn kho, định giá, chi phí cố định. Chỉ riêng bốn điều này sẽ quyết định liệu bạn có kiếm được lợi nhuận hay không.
Nếu quá phức tạp, bạn sẽ không biết được nguyên nhân gây ra lỗi. Nếu đơn giản quá thì sẽ không có gì khác biệt. Có một máy bán hàng tự động ở giữa.
Một điều quan trọng nữa là gian lận không có tác dụng. Nếu bạn đang đánh giá các câu, bạn có thể nhận được một phần điểm bằng cách trả lời ``như thế''. Số dư quỹ là khác nhau. Nếu phán đoán sai, con số sẽ giảm xuống.
- Nếu bạn mua quá nhiều, bạn sẽ hết tiền.
- Nếu không mua thì tôi chẳng có gì để bán.
- Giá cao thì không bán được
- Nếu giá thấp sẽ không có lãi
Sự đánh đổi này tiếp diễn 365 ngày một năm mà không hỏi ý kiến ai. Đối với con người, đây là một công việc nhàm chán và tẻ nhạt.
Nếu bạn muốn biết năng lực thực tế của AI thì sự nhàm chán này thực sự là điều gần gũi nhất với cuộc sống thực. Khi tự động hóa một thứ gì đó trong công ty, hầu hết công việc bạn muốn giao cho AI chỉ là sự lặp lại đơn giản hơn là lý luận hoa mỹ. Chủ đề về việc kết hợp AI vào các hoạt động nội bộ đã được đề cập đến trong phần sử dụng AI trong các hoạt động kiểm tra và kiểm toán nội bộ, nhưng câu hỏi được đặt ra ở đây là “Liệu các quyết định có thể được đưa ra bằng cách sử dụng cùng một tiêu chuẩn mọi lúc không?”
Tôi cũng muốn đọc nó
TypingMind là gì? Giá và các tùy chọn lựa chọn bắt đầu từ $39 (phiên bản 2026)
TypingMind là màn hình trò chuyện một lần, nơi bạn có thể sử dụng nhiều AI bằng khóa API của riêng mình. Chúng tôi đã sắp xếp các nội dung của Tiêu chuẩn $39, Mở rộng $79 và Cao cấp $99, phiên bản Nhóm bắt đầu từ $83 mỗi tháng, nơi lưu dữ liệu và mức độ bạn có thể sử dụng miễn phí bằng cách sử dụng thông tin chính thức kể từ tháng 8 năm 2026.
Ngày 7 tháng 8 năm 2026
14 bài toán và giải pháp triển khai AI trong các công ty xây dựng và ngành xây dựng
Phải mất nửa ngày để tạo ước tính và bạn có thể thu thập 20 báo cáo hàng ngày. Chúng tôi đã sắp xếp 14 vấn đề gặp phải khi giới thiệu AI trong ngành xây dựng dưới dạng Hỏi đáp. Hầu hết các nguyên nhân không nằm ở hiệu suất của AI mà nằm ở cách nó được phân phối. Nó bao gồm bản tóm tắt chi tiết về báo cáo hàng ngày, cách bắt đầu sau một tuần, chi phí khoảng 3.000 yên Nhật mỗi tháng và những điểm cần lưu ý về trợ cấp.
Ngày 7 tháng 8 năm 2026
Có gì thay đổi trong Vending-Bench 2?
Mặc dù Vending-Bench ban đầu có vấn đề về cài đặt "đo lường tính nhất quán lâu dài của AI agent", Vending-Bench 2 là phiên bản kế thừa đã tạo ra một môi trường thực tế hơn.
Sự thay đổi lớn là chúng ta đã mang đến những rắc rối của thực tế.
Nhiều nhà cung cấp sẽ xuất hiện và AI sẽ mở tài khoản giao dịch và lấy bảng giá trong khi liên lạc qua email. Người kia có thể không trả lời ngay lập tức. Các điều kiện cũng không đồng đều.
Nói cách khác, AI sẽ bắt đầu bằng việc đàm phán thay vì nhấn nút “đặt hàng”.
| mục | Bàn bán hàng tự động thế hệ đầu tiên | Ghế bán hàng tự động 2 |
|---|---|---|
| Trọng tâm chính | Đặt ra vấn đề về tính nhất quán lâu dài | Sinh sản trong môi trường gần với hoạt động thực tế |
| Mua | Mua sắm đơn giản hóa | Đàm phán qua email với nhiều nhà cung cấp |
| Giai đoạn | mô phỏng dài hạn | Cố định ở mức 365 ngày (1 năm) |
| sự đánh giá | Xu hướng tài sản | Ghi điểm và xuất bản bảng xếp hạng |
Nói cách khác, 2 là một bản sửa đổi chuyển từ việc đo lường xem ai đó có thông minh hay không sang liệu họ có thể tiếp tục kinh doanh trong một năm hay không.
Môi trường càng gần với thực tế thì sự khác biệt giữa các mô hình càng rộng. Bất kỳ mô hình nào cũng có thể được sử dụng cho công việc có quy trình xác định, nhưng khi đàm phán với bên kia thì có vô số lựa chọn.
Nội dung mô phỏng: $500, $2, 365 ngày
Liệt kê các số sẽ nhanh hơn nên tôi sẽ tóm tắt các cài đặt đã xuất bản.
| Mục cài đặt | giá trị |
|---|---|
| vốn ban đầu | $500 |
| Thời gian hoạt động | 365 ngày (mô phỏng) |
| Phí lắp đặt mỗi ngày | $2 |
| Nhà cung cấp | Nhiều (thương lượng qua email) |
| AI quyết định điều gì | Quản lý số lượng/giá/hàng tồn kho |
Cài đặt này khá nghiêm ngặt. Riêng phí lắp đặt là $730 mỗi năm. Vốn ban đầu vượt quá 500 USD.
Nói cách khác, ngay từ ngày đầu, cơ cấu này không còn cách nào khác để tồn tại ngoài việc “bán và tăng giá”. Nếu bạn không làm gì cả, tiền của bạn sẽ biến mất ngay cả khi bạn không làm gì cả.
Nếu bạn mang theo quá nhiều hàng tồn kho, bạn sẽ hết tiền, còn nếu quá thận trọng, bạn sẽ bị chi phí cố định ngốn hết. Việc đi trên dây này được lặp lại 365 lần.
Nó có hình dạng gần giống như bức tường đầu tiên mà các doanh nhân quy mô nhỏ gặp phải.
Đặc vụ AI đột phá ở đâu?
Các mô hình mà AI bị hỏng trong các nhiệm vụ kéo dài thường tuân theo một mô hình tương tự. Điều mà đánh giá của loạt bài Vending Bench nhấn mạnh là việc mất dấu trạng thái của bản thân còn nguy hiểm hơn việc thiếu khả năng.
Chúng tôi sẽ tổ chức các cách sụp đổ điển hình.
| Nó sụp đổ như thế nào | chuyện gì xảy ra | Ví dụ từ công việc thực tế |
|---|---|---|
| thay thế bộ nhớ | thực hiện hành động không nhất quán với các quyết định trong quá khứ của một người | Quy trình bỏ qua các quy tắc hoạt động được quyết định vào tuần trước |
| Chênh lệch giữa hàng tồn kho và sổ cái | Có sự khác biệt giữa tồn kho thực tế và ghi nhận, dẫn đến đơn hàng nằm ngoài tầm kiểm soát. | Xử lý lại các trường hợp đã được xử lý |
| Chờ đợi quá mức | Họ không di chuyển vì sợ thua lỗ và chỉ có chi phí cố định giảm. | Tiếp tục đình chỉ phán quyết và bỏ lỡ thời hạn |
| đàm phán nhàn rỗi | Tôi đã hiểu nhầm câu trả lời của bên kia và nhiều ngày trôi qua mà giao dịch không được hoàn thành. | Thư từ qua email trở nên thường xuyên hơn |
Cái thứ hai là đáng sợ nhất. Vì người đó không nhận ra rằng có điều gì đó không ổn nên điều đó có vẻ bình thường ngay cả khi bạn nhìn vào tiến trình trong suốt quá trình. Tôi chỉ nhận thấy điều đó khi số dư của tôi thay đổi.
Một bài kiểm tra ngắn sẽ không hiển thị triệu chứng này. Tất cả các mẫu xe đều di chuyển êm ái sau khoảng 50 vòng quay.
Tóm lại mọi thứ cho đến nay một cách ngắn gọn, Vending Bench là một thiết bị không đo lường "AI thông minh đến mức nào" mà là "liệu AI có thể kế thừa chính xác quá khứ của một người hay không".
Cách đọc bảng xếp hạng - hiệu quả chi phí so với thứ hạng
Bảng xếp hạng đã xuất bản được cập nhật vào tháng 7 năm 2026. Có 4 mô hình được liệt kê.
Điều tôi muốn tập trung ở đây không phải là ai là số một. Bạn trả bao nhiêu trong danh mục hàng đầu?
| Giá trị được công bố | Nội dung |
|---|---|
| Cập nhật lần cuối | tháng 7 năm 2026 |
| Số lượng mô hình được công bố | 4 |
| Model rẻ nhất trong phân khúc hàng đầu | Claude Opus 4.6 (Nhân loại) |
| điểm số đó | 8017.590 |
| đơn giá đầu vào cho mô hình đó | 5,00 USD cho mỗi 1 triệu mã thông báo |
Claude Opus 4.6 là rẻ nhất trong danh mục "trong vòng 10% của loại hàng đầu". Nói cách khác, sự khác biệt về hiệu suất giữa các nhóm đầu bảng không quá lớn và sự khác biệt nằm ở mặt giá cả.
Điều này có hiệu quả cho các nhiệm vụ dài. Điều này là do nếu bạn suy nghĩ trong 365 ngày, số lượng mã thông báo (khối ký tự do AI xử lý) sẽ được tiêu thụ sẽ rất lớn. Ngay cả một sự khác biệt nhỏ về đơn giá cũng có thể khiến hóa đơn của bạn tăng lên gấp nhiều lần.
Thành thật mà nói, sẽ thật lãng phí nếu chỉ nhìn vào điểm số và chọn ra người đứng đầu. Trong hoạt động thực tế, sự lựa chọn là "cái rẻ nhất đạt được độ chính xác cần thiết".
Nếu bạn muốn so sánh hiệu suất thô của từng kiểu máy, giá cả và tính năng được tóm tắt trên các trang Claude, ChatGPT và Gemini.
Claude là một chatbot AI được phát triển bởi Anthropic, hỗ trợ hiểu, tạo, tóm tắt và phân tích văn bản theo cách trò chuyện tự nhiên. Nó có thế mạnh trong việc đọc các văn bản dài và sắp xếp các vấn đề, đồng thời có thể tóm tắt nội dung giấy tờ, hợp đồng, báo cáo, biên bản, v.v. và rút ra những điểm và rủi ro quan trọng. Chúng tôi cũng có thể trợ giúp soạn thảo email, đề xuất và tài liệu kinh doanh, diễn giải văn bản và tư vấn về quy tắc. Nó phù hợp cho các cá nhân và người dùng doanh nghiệp muốn hợp lý hóa việc nghiên cứu, viết và tạo tài liệu kinh doanh đồng thời nhấn mạnh tính chính xác và giải thích chi tiết.
Tôi có thể tin tưởng vào điểm số của bảng xếp hạng không?
Một dòng hợp lý là chỉ tin một nửa của nó.
Điều bạn có thể tin tưởng là liệu nó có xu hướng sụp đổ trong một thời gian dài hay không. Điều này gần như không thể đo lường được bằng các tiêu chuẩn khác. Có những mô hình thất bại ở ngày thứ 300 ngay cả khi chúng có điểm toán hoặc mã cao. Thông tin đó chỉ có ở đây.
Có ba lĩnh vực cần được xử lý cẩn thận.
- Chỉ có 4 mô hình được liệt kê. Bảng này không bao gồm tất cả các mẫu trên thị trường.
- Môi trường là một máy bán hàng tự động. Nếu doanh nghiệp và cơ cấu của bạn khác nhau, thứ hạng của bạn có thể thay đổi.
- Điểm số là kết quả trong những điều kiện nhất định. Nếu bạn thay đổi cài đặt, kết quả sẽ thay đổi.
Nói tóm lại, việc sử dụng nó như một yếu tố quyết định chứ không phải là yếu tố quyết định trong việc tuyển dụng là thực tế. Nó mạnh mẽ trong việc "loại bỏ các mô hình bị hỏng do làm việc lâu dài". Việc “xác định mô hình tốt nhất cho doanh nghiệp của tôi” là chưa đủ.
Thái độ không lấy số chuẩn theo mệnh giá cũng giống như trong lĩnh vực tạo hình ảnh. Khi xem xét so sánh giữa ComfyUI và Stable Diffusion, có những ví dụ rõ ràng về sự khác biệt giữa điểm công khai và khả năng sử dụng thực tế.
“Sự nhất quán lâu dài” hiệu quả ở đâu trong kinh doanh?
Thật tự nhiên khi bạn tự hỏi liệu câu chuyện về máy bán hàng tự động có liên quan đến công ty của bạn hay không. Điều này phù hợp trong mọi tình huống mà bạn muốn dựa vào AI để đưa ra quyết định liên tục.
Cụ thể là như thế này.
- Xử lý các yêu cầu bằng cách sử dụng cùng một tiêu chuẩn trong nhiều tháng
- Cung cấp đề xuất hàng tồn kho và đặt hàng hàng ngày
- Tiếp tục viết báo cáo thường xuyên từ cùng một quan điểm
- Theo dõi trạng thái của dự án và nắm bắt mọi thiếu sót
Thật dễ dàng nếu bạn chỉ làm điều đó một lần. Nếu bạn tiếp tục trong 3 tháng, tiêu chuẩn của bạn sẽ dần thay đổi.
Đây là sự suy thoái xảy ra ngay cả ở con người, nhưng con người nhận thấy, ``Chà, điều đó khác với trước đây.'' AI không nhận thấy. Vì vậy, chúng tôi kết luận rằng cần phải tạo ra một cơ chế bên ngoài để nhận thấy điều này.
Đối với công việc có bối cảnh dài hạn, chẳng hạn như công việc nghiên cứu, phương pháp dựa trên tìm kiếm được giới thiệu trong hướng dẫn sử dụng Felo có thể dễ xử lý hơn vì nó để lại một bản ghi.
Bạn sẽ đo lường nó như thế nào trong công việc của chính bạn?
Việc vận hành Vending Bench trong nội bộ là không thực tế. Tuy nhiên, ý tưởng có thể được chuyển giao.
Tất cả những gì bạn cần là bốn yếu tố.
| yếu tố | Triển khai trên băng ghế bán hàng tự động | Ví dụ về thay thế nội bộ |
|---|---|---|
| mục tiêu rõ ràng | tăng tài sản | Số trường hợp được xử lý và tỷ lệ trả lời đúng |
| Thời gian trôi đi | 365 ngày | Phát liên tục nhật ký có giá trị trong 30 ngày |
| giảm chi phí | Phí lắp đặt 2$/ngày | Phí sử dụng API và thời gian xác nhận của con người |
| Kết quả không thể bị đánh lừa | THĂNG BẰNG | Các giá trị số mà con người có thể kiểm tra sau này |
Nói tóm lại, thiết kế là để cung cấp dữ liệu thực tế có giá trị trong vài tháng cùng một lúc và xem liệu có điều gì sai sót trong quá trình thực hiện hay không.
Nó đơn giản. Sắp xếp nhật ký công việc trước đây theo thứ tự thời gian và để AI xử lý chúng theo thứ tự. Sau đó, một người sẽ xem xét 10 trường hợp đầu tiên và 10 trường hợp cuối cùng để xem tiêu chí có giống nhau không.
Nếu các tiêu chuẩn ở đây sai lệch thì mô hình không phù hợp để vận hành lâu dài. Hãy sửa lời nhắc (văn bản hướng dẫn tới AI) hoặc chuyển sang thao tác đặt lại ngữ cảnh theo định kỳ.
Nếu muốn giảm chi phí đánh giá, bạn có thể dễ dàng nhìn thấy xu hướng bằng cách chia dữ liệu thành 100 trường hợp và so sánh chúng thay vì chạy toàn bộ thời gian cùng một lúc.
4 thiết kế giúp agent tồn tại lâu hơn
Nếu bạn biết nó sắp sập thì tốt nhất là bạn nên làm sao cho nó không bị sập. Nếu bạn đếm ngược từ các kiểu thất bại của hệ thống Ghế bán hàng tự động, bạn có thể xác định đại khái các bước đi hiệu quả.
- Giữ trạng thái bên ngoài: Giữ các số như hàng tồn kho và số dư trong các tệp và cơ sở dữ liệu thay vì trong bộ nhớ của AI. Hãy để AI đọc nó mọi lúc. Ưu tiên hàng đầu là không dựa vào trí nhớ.
- Đọc lại chính sách thường xuyên. Trình bày lại các quy tắc bạn đặt ra ban đầu theo định kỳ. Vai trò tương tự như con người buổi sáng hội.
- Đưa ra cảnh báo về các giá trị bất thường. Dừng khi số dư hoặc số lượng giao dịch nằm ngoài phạm vi dự kiến. Nó được phát hiện bởi một cơ chế bên ngoài chứ không phải do AI tự báo cáo.
- Di chuyển theo đơn vị có thể đảo ngược Đặt giới hạn cho số tiền bạn có thể mất trong một quyết định. Đừng để mọi thứ cho chúng tôi 365 ngày một năm.
Bằng cách đưa bốn yếu tố này vào, ngay cả khi tính nhất quán cơ bản của mô hình hơi yếu, nó vẫn nằm trong phạm vi thực tế. Mặt khác, bạn không cần phải nỗ lực hết sức để có được mô hình có điểm cao nhất vì nó có thể được bao phủ bởi thiết kế.
Nếu bạn đang tìm kiếm các công cụ dựa trên agent, chúng tôi đã tóm tắt các tùy chọn chính trong danh mục AI agent.
Danh sách kiểm tra trước khi thực hiện
Hãy kiểm tra sáu điều này trước khi giao nhiệm vụ dài hạn cho AI. Nếu thậm chí một trường còn trống thì vẫn còn quá sớm để đưa nó vào sản xuất.
| Kiểm tra các mục | Tiêu chí phán đoán |
|---|---|
| định nghĩa của sự thành công | Bạn có thể nói điều đó chỉ với một con số? |
| Điều kiện dừng | Bạn đã quyết định khi nào nên dừng lại? |
| Nơi để lưu trạng thái | Nó có nằm ngoài bộ nhớ của AI không? |
| Chịu trách nhiệm xác minh | Đã quyết định ai sẽ kiểm tra và khi nào? |
| giới hạn chi phí | Bạn đã đặt mức trần hàng tháng chưa? |
| Phương tiện tua lại | Tôi có thể hoàn tác quy trình sai được không? |
Đặc biệt là số 4. Tự động hóa được chạy với trường trống này sẽ được phát hiện là một tai nạn khoảng sáu tháng sau.
Sau khi séc được điền đầy đủ, hãy bắt đầu với một tuần. Không ai khuyên bạn nên đi 365 ngày một năm.
Xem các so sánh/lựa chọn thay thế liên quan
Nếu bạn đang gặp khó khăn trong việc lựa chọn một mô hình để xử lý các nhiệm vụ dài hạn thì sự so sánh này sẽ hữu ích.
- ChatGPT vs Claude - Sự khác biệt trong việc duy trì bối cảnh của các văn bản dài và suy nghĩ về phí
- Claude vs Gemini - cái nào ổn định hơn khi làm việc nhiều giờ?
- ChatGPT vs Gemini - Các cách sử dụng khác nhau cho các tác vụ chung
- Các lựa chọn thay thế cho Claude — Nếu bạn muốn làm điều tương tự với giá rẻ hơn
- Các lựa chọn thay thế cho ChatGPT — tùy chọn cho các yêu cầu kinh doanh đặc biệt
Nếu mục đích của bạn là kết hợp nó vào SNS hoặc trò chuyện nội bộ, tốt nhất bạn nên kiểm tra phạm vi bậc miễn phí trước khi sử dụng Meta AI.
ChatGPT là chatbot AI hỗ trợ trả lời câu hỏi, tạo văn bản, sắp xếp thông tin và tạo ý tưởng thông qua đối thoại tự nhiên. Bạn có thể thực hiện các tác vụ dựa trên văn bản như tóm tắt văn bản dài, soạn thảo email và đề xuất, dịch, diễn giải và sắp xếp chúng dưới dạng bảng trong khi trò chuyện. Chúng tôi còn cung cấp dịch vụ tạo mã lập trình, xác nhận nguyên nhân lỗi, giải thích nội dung học tập và tư vấn bằng hình ảnh. Nó phù hợp cho những người dùng muốn sử dụng nó cho nhiều mục đích khác nhau, từ nghiên cứu cá nhân đến hỗ trợ tạo và phát triển tài liệu kinh doanh.
Ban biên tập Phán quyết
Vending Bench là một loại tiêu chuẩn công cộng khá thực tế. Nó rất đáng để tham khảo.
Điều tôi muốn đánh giá là cách đặt vấn đề. Câu hỏi “Bạn có thể tiếp tục kinh doanh bình thường trong một năm không?” trùng lặp với những điều mà những người đang triển khai AI vào hoạt động kinh doanh của họ thực sự muốn biết. Bạn không thể có được thông tin này bằng cách xem điểm toán hoặc mã.
Tuy nhiên, việc liệt kê 4 mẫu xe là chưa đủ. Có rất nhiều lựa chọn khác trên thị trường, vì vậy không thể đưa ra lựa chọn hoàn chỉnh chỉ dựa trên bảng này. Bảng xếp hạng chưa đầy đủ.
Về cách sử dụng nó, hãy sử dụng nó làm điểm bắt đầu và đưa ra quyết định cuối cùng dựa trên dữ liệu của riêng bạn. Đây là sự lựa chọn của bạn. Thay vì theo đuổi giá trị tuyệt đối của điểm số, cuối cùng sẽ rẻ hơn nếu chọn đơn giá thấp nhất trong số các cấp cao nhất và tạo ra một hệ thống giám sát bên ngoài với giả định rằng nó sẽ sụp đổ.
Nếu bạn đang chọn một mô hình dựa trên tiền đề giao phó các nhiệm vụ dài hạn thì điểm chuẩn này rất đáng để kiểm tra. Tuy nhiên, vẫn còn quá sớm để coi mọi thứ theo mệnh giá. Đó là cảm giác về nhiệt độ.
Các câu hỏi thường gặp (FAQ)
Q. Có ai có thể xem Vending Bench không?
Bảng xếp hạng được xuất bản trên web và được xem miễn phí. Nó được điều hành bởi Andon Labs và có thể được truy tìm từ trang web chính thức (https://andonlabs.com). Không có thông tin công khai về phiên bản tiếng Nhật.
Q. Vui lòng cho tôi biết cài đặt cho Vending-Bench 2.
Khoản đầu tư ban đầu là 500 USD, thời gian vận hành là 365 ngày mô phỏng và phí lắp đặt là 2 USD mỗi ngày. AI tự quyết định số lượng đặt hàng và giá cả trong khi liên lạc với nhiều nhà cung cấp qua email.
Q. Hiện có bao nhiêu mô hình đang được đánh giá?
Có 4 mô hình được liệt kê trên bảng xếp hạng được cập nhật vào tháng 7 năm 2026. Claude Opus 4.6 có chi phí cho mỗi đầu vào thấp nhất trong nhóm trong khoảng 10% so với người dẫn đầu, với số điểm là 8017,590 và 5,00 USD cho mỗi triệu mã thông báo đầu vào.
Q. Nếu chọn mẫu có điểm cao thì có an toàn cho công việc không?
Không nhất thiết phải như vậy. Môi trường đánh giá được gắn chặt với việc quản lý máy bán hàng tự động và kết quả sẽ khác nhau tùy thuộc vào cơ cấu kinh doanh. Nó có hiệu quả trong việc loại bỏ các mô hình bị hỏng trong các nhiệm vụ dài hạn, nhưng quyết định cuối cùng yêu cầu xác minh bằng dữ liệu của riêng bạn.
H. Tại sao các bài kiểm tra ngắn không thể đo lường tính nhất quán lâu dài?
Hầu hết các mô hình sẽ hoạt động tốt trong khoảng 50 lượt. Đánh giá sai lầm bắt đầu tích lũy sau vài trăm lượt mà người đó không hề hay biết. Các triệu chứng sẽ không xuất hiện trừ khi thời gian được kéo dài.
H. Tôi có thể thực hiện đánh giá tương tự tại công ty của mình không?
Có thể. Một cách dễ dàng để thực hiện điều này là liên tục xử lý nhật ký công việc trước đây theo thứ tự thời gian và kiểm tra thủ công xem tiêu chí đánh giá có giống nhau trong 10 trường hợp đầu tiên và 10 trường hợp cuối cùng hay không. Bạn có thể nắm bắt xu hướng bằng cách xem xét khoảng thời gian 100 mặt hàng thay vì nhìn vào toàn bộ thời kỳ.
H. Có cách nào để ngăn AI không bị hỏng trong các nhiệm vụ dài hạn không?
Lưu trữ trạng thái trong một tệp bên ngoài thay vì trong bộ nhớ của AI, đọc lại chính sách đều đặn, phát hiện các giá trị bất thường bằng cơ chế bên ngoài và đặt giới hạn cho số lượng có thể bị mất trong một quyết định. Bốn điều này đều nằm trong phạm vi thực tế.
H. Sự khác biệt giữa Ghế bán hàng tự động và thế hệ đầu tiên là gì?
Ở phần 2, nhiều nhà cung cấp xuất hiện và cần phải kết thúc giao dịch thông qua đàm phán qua email. Từ công việc với thủ tục cố định đến đàm phán với bên kia. Khi môi trường tiếp cận thực tế, sự khác biệt giữa các mô hình trở nên dễ dàng phân biệt hơn.
Sau khi nói về việc kết hợp AI vào các nhiệm vụ dài hạn, thử thách tiếp theo là tạo ra một hệ thống cho phép thực hiện các nhiệm vụ trong khi vẫn duy trì các tiêu chí quyết định tương tự. Việc sử dụng AI trong các hoạt động kiểm tra và kiểm toán nội bộ giải quyết câu hỏi liệu có thể đưa ra các phán đoán bằng cách sử dụng các tiêu chuẩn giống nhau mọi lúc hay không, vì vậy nếu bạn đọc phần tiếp theo của bài viết này, bạn sẽ có thể thấy các biện pháp cụ thể. Nếu bạn đang nghĩ đến việc tự động hóa khía cạnh trực quan, vui lòng xem phần so sánh các công cụ minh họa AI.
Trang web chính thức của từng công cụ (thông tin chính)
Giá cả, chức năng và phạm vi hỗ trợ là thông tin chính được cung cấp bởi trang web chính thức của mỗi công ty. Bài viết này dựa trên xác minh tại thời điểm xuất bản, nhưng hãy nhớ kiểm tra từng trang chính thức để biết các điều kiện chính xác và mới nhất.
- Claude — Trang web chính thức (xem chi tiết)
- ChatGPT — Trang web chính thức (xem chi tiết)
- Gemini — Trang web chính thức (xem chi tiết)
Gemini là trợ lý AI tương tác do Google cung cấp và là chatbot AI hỗ trợ trả lời câu hỏi, viết câu, tóm tắt và tạo ý tưởng dưới dạng trò chuyện. Nó có thể đọc nội dung không chỉ từ văn bản mà còn từ hình ảnh và tệp, đồng thời có thể được sử dụng để sắp xếp các điểm chính của tài liệu, văn bản email nháp, cách diễn đạt lại cụm từ, v.v. Nó cũng hỗ trợ các câu trả lời dựa trên thông tin tìm kiếm của Google và tích hợp với các dịch vụ của Google như Gmail, Google Docs và Google Drive. Đối với các cá nhân và nhóm thường làm việc hoặc học tập trong môi trường Google, ưu điểm là dễ dàng thực hiện từ nghiên cứu đến sáng tạo trong cùng một quy trình.
Bài viết liên quan
- 10 AI agent được đề xuất và cách chọn | Hiểu mọi thứ từ sự khác biệt với thế hệ AI đến giá thị trường (phiên bản 2026)
- BFCL là gì? Cách đọc điểm chuẩn so sánh độ chính xác của lệnh gọi hàm AI (phiên bản 2026)
- Urava là gì? Nội dung và lựa chọn đào tạo AI tổng quát và phát triển AI agent (phiên bản 2026)
- Gọi hàm là gì? Hướng dẫn đầy đủ về cơ chế, cách triển khai và mức phí để AI thao tác với các API bên ngoài
- 8 lựa chọn thay thế được đề xuất cho Abacus.AI | Chọn từ miễn phí, tiếng Nhật và nguồn mở (phiên bản 2026)