廣場
最新
熱門
新聞
我的主頁
發布
谷歌雙雄高難局反超，TERMS-Bench把AI談判做成破產壓力測試
MarsBit News
2026-05-18 06:45:30
關注
摘要生成中
據動察 Beating 監測，斯坦福 Erica Zhang 等人發布了經濟談判測試集 TERMS-Bench。它移除了黑箱的「大模型裁判」，讓評測方能直接看清模型到底輸在出價、讓步還是違規。
在常規測試中，Claude Opus 4.6 和智譜 GLM 5.1 拿下前兩名。論文發現，它們採用了「高出價、死不讓步」的強硬策略，在利潤豐厚的順風局能把對手榨乾。
但在利潤空間極窄的最高難度局，強硬策略會因為頻繁談崩而吃虧。榜單在這裡直接翻車：懂得適度讓步保訂單的 Gemma 4 31B（開放權重模型）和 Gemini 3.1 Pro 反超衝到前兩名；而此前的領跑者 Claude 掉到第 5，GLM 掉到第 9。
除了測試極限難度，該基準最具衝擊力的是測試生存能力的 Bankroll（資金池）模式。單次談判被拉長成連續採購：每個 Agent 拿 100 美元本金連談 50 期，每期固定扣營運費，虧完就破產。
在這裡，微小的談判失誤都會複利成破產危機。
結果顯示，前述的 GLM 5.1、Claude Opus 4.6 以及谷歌雙雄雖然策略不同，但控盤能力斷層領先，全部實現了 100% 存活，最終現金均達到 380 到 443 美元。
相比之下，Grok 4.20 和 GPT-4o-mini 則無法頂住現金流損耗，破產率分別達到 25% 和 50%。
TERMS-Bench 的關鍵不在成交率，而在把談判錯誤換算成現金虧損和破產風險。模型能不能說服對手，只是第一層；在連續交易裡能不能守住利潤和現金流，才真正拉開差距。
查看原文
此頁面可能包含第三方內容，僅供參考（非陳述或保證），不應被視為 Gate 認可其觀點表述，也不得被視為財務或專業建議。詳見
聲明
。
打賞
按讚
回覆
轉發
分享
回覆
請輸入回覆內容
請輸入回覆內容
回覆
暫無回覆
熱門話題
查看更多
#
事件合約首發狂歡
10.54萬 熱度
#
夏日創作營
53.2萬 熱度
#
GOOGL財報亮眼但盤後跌超3%
332.77萬 熱度
#
特斯拉持有11509枚BTC近四年未動
164.23萬 熱度
#
GUSD年化升至3.8%
17.02萬 熱度
已置頂
網站地圖
谷歌雙雄高難局反超，TERMS-Bench把AI談判做成破產壓力測試
在常規測試中，Claude Opus 4.6 和智譜 GLM 5.1 拿下前兩名。論文發現，它們採用了「高出價、死不讓步」的強硬策略，在利潤豐厚的順風局能把對手榨乾。
但在利潤空間極窄的最高難度局，強硬策略會因為頻繁談崩而吃虧。榜單在這裡直接翻車：懂得適度讓步保訂單的 Gemma 4 31B（開放權重模型）和 Gemini 3.1 Pro 反超衝到前兩名；而此前的領跑者 Claude 掉到第 5，GLM 掉到第 9。
除了測試極限難度，該基準最具衝擊力的是測試生存能力的 Bankroll（資金池）模式。單次談判被拉長成連續採購：每個 Agent 拿 100 美元本金連談 50 期，每期固定扣營運費，虧完就破產。
在這裡，微小的談判失誤都會複利成破產危機。
結果顯示，前述的 GLM 5.1、Claude Opus 4.6 以及谷歌雙雄雖然策略不同，但控盤能力斷層領先，全部實現了 100% 存活，最終現金均達到 380 到 443 美元。
相比之下，Grok 4.20 和 GPT-4o-mini 則無法頂住現金流損耗，破產率分別達到 25% 和 50%。
TERMS-Bench 的關鍵不在成交率，而在把談判錯誤換算成現金虧損和破產風險。模型能不能說服對手，只是第一層；在連續交易裡能不能守住利潤和現金流，才真正拉開差距。