Skip to content
Hot eventLive

StoreBench：直播电商环境评测自主操作Agent

1 reports1 sources3 hr ago updated

Get the story

AI overview

研究者推出 StoreBench，用于评估与训练自主运营智能体。该环境让智能体在生产级电商后端运营中型服装网店，借助 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进行长程规划。评测覆盖七个前沿 LLM，在 11 个场景（30 至 45 天及完整模拟年）中开展。结果显示，最佳模型 DeepSeek-V4-Pro 通过 49% 的任务-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。

Generated from reports · updated 3 hr ago

LatestOct 9
研究者推出 StoreBench，七个前沿 LLM 在 11 个场景中评测，最佳模型通过率 49%，低于脚本策略，人类专家均值领先。

Timeline

Follow the coverage from different angles.

Oct 9, 2026
  1. arXiv · Artificial Intelligence
    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。

Heat trend

Current heat 9·Comparable peak 10（Oct 9）·Comparable change over 24 hours –

02.557.510Oct9Oct9Oct9Oct9

The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.