现实：最终评估——Andon Labs的Lukas Petersson和Axel Backlund

Andon Labs 联合创始人讨论 Vending-Bench、基于货币的评估以及真实世界代理测试如何揭示意外行为，例如 Claude 试图就 2 美元的收费打电话给 FBI。