StoreBench：用于评估与训练自主运营智能体的直播电商环境

研究者推出 StoreBench，让智能体在生产级电商后端运营中型服装网店，用 29 个商家工具在客户全天候下单、供应商调价与市场冲击下做长程规划。七个前沿 LLM 在 11 个场景（30 至 45 天及完整模拟年）中评测，最佳 DeepSeek-V4-Pro 通过 49% 任务-种子单元，低于脚本策略的 97%，人类专家均值 0.708 胜过模型的 0.700。