LLM 能审计超市货架了吗？

作者用 tinybenchmarks 对 gpt-6-astra、gpt-6.1-sol、gpt-6-luna 和 gpt-4.1 进行 5 项超市货架审计任务测试，每模型跑 3 次。gpt-6.1-sol 表现最佳，排面计数 100% 正确，缺口计数 78% 正确，单次完整运行成本 $0.24。模型已能准确计数排面，但在识别需补货缺口时仍不稳定，可靠性尚不足以替代人工货架审计。