论文页面 - E-Commerce Bench：评估 LLM 代理在长周期自主商业运营中的表现

来源：https://huggingface.co/papers/2608.30730 作者：

,

,

,

,

,

,

,

,

,

摘要

一项为期一年的电子商务基准测试，在18个前沿模型上评估了LLM代理在多店铺谈判、动态市场事件以及长周期策略适应等方面的表现。

长周期代理任务并非只是通过更多交互轮次来串联短任务。其不断演变的动态环境和长程依赖性要求大语言模型 (https://huggingface.co/papers?q=Large%20Language%20Models) (LLMs) 在数千个步骤中持续探索、从经验中学习并调整策略。我们推出了 E-Commerce Bench，这是首个将多轮对手谈判和动态事件 (https://huggingface.co/papers?q=dynamic%20events) 融入一年期商业运营的开源基准测试。在为期365天的模拟中，一个 LLM 代理 (https://huggingface.co/papers?q=LLM%20agent) 同时运营多家网店，研究市场、与供应商谈判采购库存、优化销售策略、处理订单、处理退货并管理现金流，以最大化其年终总资产。为构建真实的商家端运营环境，产品和供应商数据源自真实的电商平台，而为期一年的促销日历、自然灾害和供应链冲击持续重塑需求。为确保可重复性，市场的双方都是确定性的：客户购买和退货遵循固定的需求模型 (https://huggingface.co/papers?q=demand%20model)，而谈判内核 (https://huggingface.co/papers?q=negotiation%20kernel) 决定供应商的定价、让步和决策，LLM 仅用于将其表述出来。我们在七个维度（包括年终资产）上评估了18个前沿模型，发现没有单一模型占据绝对优势。GPT-5.6 Sol 赚取最多，将100,000的初始资金增长至1,431,425，但在防欺诈方面在18个模型中排名第16，且运营效率落后于 Fable5。在开源权重模型 (https://huggingface.co/papers?q=open-weight%20models) 中，Qwen3.8-Max-Preview 以416,252领先，比 GLM 5.2 (high) 高出38%，并实现了最强的长周期学习效果，在多次订单中逐步压低价格。我们的代码已开源：https://github.com/QwenLM/E-CommerceBench.

查看 arXiv 页面 (https://arxiv.org/abs/2608.30730) 查看 PDF (https://arxiv.org/pdf/2608.30730) GitHub5 (https://github.com/QwenLM/E-CommerceBench) 添加到收藏夹 (https://huggingface.co/login?next=%2Fpapers%2F2608.30730)

在您的代理中获取此论文：

hf papers read 2608\.30730

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用本文的模型0

无链接到此论文的模型

在模型 README.md 中引用 arxiv.org/abs/2608.30730 以从本页链接它。

引用本文的数据集0

无链接到此论文的数据集

在数据集 README.md 中引用 arxiv.org/abs/2608.30730 以从本页链接它。

引用本文的空间0

无链接到此论文的空间

在空间 README.md 中引用 arxiv.org/abs/2608.30730 以从本页链接它。

包含本文的收藏夹0

无包含此论文的收藏夹

将此论文添加到收藏夹 (https://huggingface.co/new-collection) 以从本页链接它。