通义千问推出长周期电商自主运营 Agent 评测基准 E-Commerce Bench

阿里通义千问团队推出长周期电商自主运营基准 E-Commerce Bench，填补了现有智能体评测在多轮长时程博弈与动态商业环境模拟上的空白。

• 评测模拟 365 天真实电商运营周期，智能体起始资金 10 万元人民币，需自主完成选品、供应商议价、定价、促销、库存与现金流管理。
• 构建了包含 6886 种商品、576 家供应商（含 152 家欺诈供应商）的真实商业数据环境，融入供需冲击与季节促销等动态变量。
• 在对 18 款前沿模型的七维评测中，各模型各有优劣：GPT-5.6 Sol 获得最高年终资产（143.1 万元）但在防欺诈排名第 16；开源模型中 Qwen3.8-Max-Preview 以 41.6 万元居首，并在多轮采购议价中展现出自适应学习特征。
• 影响/看点：该基准为复杂商业决策智能体的评估提供了可复现的标准化工具，未来在落地实际业务时，仍需进一步验证模拟博弈策略迁移至真实不可预测商业市场时的泛化性。
• 资料依据：
• arXiv 预印本（2026-08-30）：https://arxiv.org/abs/2608.30730
• X：通义千问（2026-09-03）：https://x.com/Alibaba_Qwen/status/2095476249556853100

本内容由 AI 生成，仅供参考，请注意甄别