arXiv发布StoreBench：用于评估和训练自主代理的直播电商环境

发生了什么

据arXiv cs.AI论文介绍，研究者推出了StoreBench，这是一个用于评估和训练大型语言模型（LLM）自主代理的直播电商环境。在该环境中，代理需在生产级商业后端上运营一家中型在线服装店，面对全天候订单、供应商调价及市场波动等不确定性。研究对七款前沿LLM进行了评估，DeepSeek-V4-Pro表现最佳，但在任务通过率上仍远低于脚本锚定策略。