AI能經營食品卡車業務嗎？

FoodTruck Bench是一個創新的AI基準測試，旨在評估人工智慧在真實商業環境中的決策能力。與傳統的知識測試（如MMLU或HumanEval）不同，該基準不關注模型的知識儲備，而是考察其在不確定性下持續做出合理商業決策的能力。

在模擬中，AI代理需要管理一輛位於德克薩斯州奧斯汀的食品卡車，週期為30天。代理必須每天決定營業地點、選單設定、定價策略、庫存採購和員工招聘。每個決策都會產生連鎖反應——缺貨會導致無法營業，定價過高會流失顧客，錯誤的員工配置會降低產能。模擬不提供完美答案，而是要求代理在30天內不斷做出決策，並從結果中學習。

排行榜顯示了當前最新模型的排名。GPT-5.5以61,408美元的淨資產排名第一，投資回報率高達2970%，但執行成本也相對較高（24.32美元/次）。Claude Opus 4.6以49,519美元淨資產位居第三，但其驚人的庫存管理能力令人矚目——30天內只浪費了1.72美元的食材，而GPT-5.2的浪費量是其75倍。值得注意的是，Gemini 3 Flash因陷入無限推理迴圈而無法完成測試，而Gemma 4 26B A4B則因需要多階段JSON輸出清理才能產生有效工具呼叫而被標記。

關鍵發現揭示了AI決策中的普遍模式。庫存管理是生存最重要的預測指標：所有廢物成本低於200美元的模型都倖存下來，而所有廢物成本超過400美元的模型都破產了。員工僱傭時機同樣關鍵——倖存模型通常在第一天就僱傭員工，並在第17天前達到5人以上。早期投資卡車升級（如營銷標識、廚房裝置）也產生了複合效應，所有在第五天前升級的模型都倖存下來。

有趣的是，貸款系統不僅沒有挽救破產模型，反而加速了它們的滅亡。所有8個接受貸款的模型均以破產告終，而從未借款的4個模型全部存活。固定成本（每天55美元）無情地消耗著現金，導致被動策略無法持續。

FoodTruck Bench還提供了人類玩家與AI直接競爭的機會。任何人都可以免費遊玩，無需註冊，親自體驗模擬的難度。這種設計使得基準測試不僅是一個評估工具，也是一個教育平臺，讓人們直觀感受AI在真實商業環境中的表現。

該專案已測試了38個模型，包括30天的模擬週期、34個代理工具和6個地點選項。所有測試使用相同的種子、天氣、事件、競爭對手和市場條件，確保唯一的變數是模型自身的決策。每個模型執行5次，選擇中位數表現進行排名。

FoodTruck Bench的建立者強調，該基準測試填補了現有評估體系的空白——知道與做到是兩種不同的技能。透過這個模擬，他們希望推動AI在複雜、動態環境中的決策能力發展。