StoreBench：评估与训练自主运营智能体的实时电商环境
原文标题：StoreBench: A Live-Commerce Environment for Evaluating and Training Autonomous Operator Agents
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文推出 StoreBench，一个让智能体在真实级电商后端运营中型服装网店的实时商业环境，测试长程规划与不确定性下的经济判断。在 11 个场景中，最佳模型 DeepSeek-V4-Pro 通过 49% 任务种子单元，低于脚本启发式策略的 97%，人类专家得分高于所有模型；GRPO 后训练使 Qwen3.5-27B 平均综合分从 0.136 升至 0.373。
- 问题
- 现有智能体基准多为静态，无法测试长程规划与不确定性下的经济判断。
- 方法
- 构建实时电商环境，智能体用29个商家工具运营网店，时间随动作推进，阈值由脚本策略校准并防奖励作弊。
- 结果
- 最佳模型DeepSeek-V4-Pro仅通过49%任务种子单元，脚本启发式达97%；GRPO后训练使Qwen3.5-27B综合分从0.136升至0.373。
- 影响
- 为电商运营类智能体提供可复现的实时评测与训练环境，暴露当前模型与规则策略的差距。
深读 · 结论先行AI 生成展开看要点与影响 ↓
实时电商基准 StoreBench：最强模型 DeepSeek-V4-Pro 仅过 49% 任务种子单元，远低于脚本策略 97%。
- •StoreBench 让智能体用 29 个商家工具运营中型服装网店，客户全天候下单、供应商调价与断供
- •11 个场景、30~45 天及整年模拟，三个世界种子，最佳模型 DeepSeek-V4-Pro 通过率 49%
- •脚本启发式策略通过率 97%，人类专家平均综合分 0.708 高于所有模型
- •GRPO 后训练使 Qwen3.5-27B 平均综合分从 0.136 升至 0.373
为什么重要：静态智能体基准之外，实时、可复现、抗奖励 hack 的商业环境更能暴露长程规划与经济判断短板。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。