StoreBench：实时电商运营智能体评测环境

StoreBench 用实时电商环境评测智能体，前沿模型仍不及脚本策略。

资讯摘要

论文提出 StoreBench，一个让智能体在生产级电商后端经营中型服装网店的实时电商环境，考察长程规划与不确定性下的经济判断。智能体通过 29 个商家工具操作，模拟时间由动作数决定，奖励经防作弊加固，阈值以脚本策略校准。作者报告七个前沿模型在 11 个场景中均未超过脚本智能策略，最佳 DeepSeek-V4-Pro 通过 49% 的任务-种子组合，脚本策略为 97%；人类专家平均综合分 0.708 高于所有模型。

要点速读

1. 环境模拟全天候订单、供应商调价与故障、市场冲击，智能体使用与人类相同的 29 个商家工具，操作预算以动作数计。
2. 作者报告七个前沿模型在 11 个场景、三个世界种子下均未超过脚本 smart-triage 策略（97%），最佳 DeepSeek-V4-Pro 为 49%；人类专家综合分 0.708 高于所有模型。
3. GRPO 后训练中，Qwen3.5-27B 仅用五个不相交任务训练，留出评测任务平均综合分从 0.136 升至 0.373；发布五个训练任务、十条轨迹及评分验证工具，完整环境未公开。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/5 08:00:38（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。