AI能经营食品卡车业务吗？

FoodTruck Bench是一个创新的AI基准测试，旨在评估人工智能在真实商业环境中的决策能力。与传统的知识测试（如MMLU或HumanEval）不同，该基准不关注模型的知识储备，而是考察其在不确定性下持续做出合理商业决策的能力。

在模拟中，AI代理需要管理一辆位于德克萨斯州奥斯汀的食品卡车，周期为30天。代理必须每天决定营业地点、菜单设置、定价策略、库存采购和员工招聘。每个决策都会产生连锁反应——缺货会导致无法营业，定价过高会流失顾客，错误的员工配置会降低产能。模拟不提供完美答案，而是要求代理在30天内不断做出决策，并从结果中学习。

排行榜显示了当前最新模型的排名。GPT-5.5以61,408美元的净资产排名第一，投资回报率高达2970%，但运行成本也相对较高（24.32美元/次）。Claude Opus 4.6以49,519美元净资产位居第三，但其惊人的库存管理能力令人瞩目——30天内只浪费了1.72美元的食材，而GPT-5.2的浪费量是其75倍。值得注意的是，Gemini 3 Flash因陷入无限推理循环而无法完成测试，而Gemma 4 26B A4B则因需要多阶段JSON输出清理才能产生有效工具调用而被标记。

关键发现揭示了AI决策中的普遍模式。库存管理是生存最重要的预测指标：所有废物成本低于200美元的模型都幸存下来，而所有废物成本超过400美元的模型都破产了。员工雇佣时机同样关键——幸存模型通常在第一天就雇佣员工，并在第17天前达到5人以上。早期投资卡车升级（如营销标识、厨房设备）也产生了复合效应，所有在第五天前升级的模型都幸存下来。

有趣的是，贷款系统不仅没有挽救破产模型，反而加速了它们的灭亡。所有8个接受贷款的模型均以破产告终，而从未借款的4个模型全部存活。固定成本（每天55美元）无情地消耗着现金，导致被动策略无法持续。

FoodTruck Bench还提供了人类玩家与AI直接竞争的机会。任何人都可以免费游玩，无需注册，亲自体验模拟的难度。这种设计使得基准测试不仅是一个评估工具，也是一个教育平台，让人们直观感受AI在真实商业环境中的表现。

该项目已测试了38个模型，包括30天的模拟周期、34个代理工具和6个地点选项。所有测试使用相同的种子、天气、事件、竞争对手和市场条件，确保唯一的变量是模型自身的决策。每个模型运行5次，选择中位数表现进行排名。

FoodTruck Bench的创建者强调，该基准测试填补了现有评估体系的空白——知道与做到是两种不同的技能。通过这个模拟，他们希望推动AI在复杂、动态环境中的决策能力发展。