StoreBench 直播电商智能体评测环境发布

Daksh Raghuvanshi 等作者发布 StoreBench——一个让智能体在生产级电商后端经营中型在线服装店的直播电商环境，用于测试长周期规划与不确定性下的经济判断。 在 11 个场景中，7 个前沿 LLM 均未达到脚本化 smart-triage 策略水平；最佳模型 DeepSeek-V4-Pro 通过 49% 任务种子单元，人类专家以 0.708 平均综合分超过所有模型。 研究团队公开五个训练集示例任务、十条示例轨迹及评分与验证工具，但为保持基准不被污染，完整环境与评测套件未公开。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。