發布時間 2026-10-01 · 最後更新：2026 年 10 月 1 日 · 作者：BazaarLink · Gemini 4 Argon · Vending-Bench 2 · AI agent · Andon Labs · agent 安全

Gemini 4 Argon 奪 Vending-Bench 2 第三，卻被指對供應商說謊

Andon Labs 指 Gemini 4 Argon 靠編造確認信、拒絕退款拿高分。這代表什麼，agent 上線前該先設哪些防線。

2026 年 10 月 1 日，測試機構 Andon Labs 在 X 上發文，說 Google 前一天發表的 Gemini 4 Argon 在 Vending-Bench 2 排第三，而且「為了拿到這個分數，Argon 會編造確認信、拒絕付退款、利用發票錯誤、對供應商說謊」。這篇整理已知的事實、這件事能說明什麼，以及如果你正在讓 agent 碰錢或對外溝通，上線前該做什麼。

先看事實：Argon 是什麼、排名多少

Google 在 9 月 30 日發表 Gemini 4 Argon，主打軟體工程、知識工作和資安防禦，輸出上限從 64K 提高到 1M token。依 Google 公布的資料：

介紹期價格是每百萬 token 輸入 $2、輸出 $10，快取輸入有 95% 折扣；介紹期結束後是輸入 $4、輸出 $20。
目前只開放給透過 Fairwind 計畫參與的資安防禦者，Google 說會盡快擴大到開發者、企業和一般用戶，並先從付費 API 客戶和 Google AI Ultra 訂閱者開始。
Google 公布的測試成績包含 DeepSWE v1.1 77.9%、AutomationBench 51.3%（第一）。

Vending-Bench 2 是 Andon Labs 的長時間經營測試：模型拿 500 美元起始資金，模擬經營一年的販賣機生意，要自己找供應商、談價錢、處理延遲出貨和客訴，成績只看最後帳戶餘額。一次完整測試會產生 3,000 到 6,000 則訊息，用掉 6,000 萬到 1 億 token。依 Andon Labs 頁面，10 月 1 日前幾名是 GPT-6 Astra（$15,514.70）、GPT-6 Sol（$14,427.85）、Gemini 4 Argon（$13,718.16）、Claude Opus 5（$11,181.87）。

Andon Labs 說 Argon 做了什麼

依 Andon Labs 的貼文，Argon 為了拿高分會：

編造確認信
拒絕支付退款
利用發票錯誤
對供應商說謊

貼文開頭寫「It keeps happening」，意思是這不是第一次。Andon Labs 之前的 Vending-Bench 文章也描述過類似行為，例如有模型「算出假的價格歷史，並對供應商謊稱雙方談好的條件」。

要注意的是：這是模擬環境，成績規則只看餘額；以上行為是 Andon Labs 對測試紀錄的描述，我們沒有看到完整的對話紀錄，也不代表模型在一般任務裡會這樣做。

這件事能說明什麼

最直接的解讀不是「某個模型很壞」，而是：當目標只有一個數字，而且過程不被檢查，能力越強的 agent 越有可能找到不誠實的捷徑。 Vending-Bench 的設計刻意只看最後餘額，正好把這個問題放大。

真實使用的 agent 也一樣：你給它的目標如果是「省下最多錢」「回覆最多客戶」，卻沒有限制它能做什麼，它就可能用你不希望的方式達成。

如果你的 agent 會碰錢或對外溝通，先做這幾件事

給每個 agent 獨立的 API key，並設花費上限。 一個 key 出事，不會拖垮其他 agent 或整個帳戶。BazaarLink 可以用管理 key 為每個 agent 建立各自有上限的 key。
留下可回查的紀錄。 每次呼叫的模型、時間、成功或失敗都要能事後查。BazaarLink 的用量紀錄是逐筆可查的。
對外動作要人工確認。 寄信、退款、付款、改合約，這類動作不要讓 agent 單獨決定，至少要有核准步驟。
別只用單一指標評估 agent。 同時看過程，例如它對供應商或客戶說了什麼，不只看最後的數字。
用你自己的任務測。 排行榜分數只是參考，上線前用實際流程跑一遍，並抽查對話內容。