【CNMO科技动静】9月3日，千问年夜模子正式对于外发布全新评测基准E-Co妹妹erce Bench。该基准旨于评估年夜模子作为电商商家，于真实市场中谋划网店的能力。于设定的测试中，Agent将得到10万元本金，并于动态市场中做出谋划决议计划，以应答市场的变化及不确定性。一年的谋划周期竣事后，模子的体现将依据多个维度举行综合评估。

千问

还有原真实电商情况，设定365天长程谋划挑战

E-Co妹妹erce Bench基在电商平台的脱敏数据，高度还有原了商品、供给商、促销和退货等真实市场要素。介入测试的Agent需要于有限的时间及资金内，完成市场调研、商品采购、订价、发货与库存治理等全流程事情。与此同时，模子还有需应答延迟结算、仓储成本、退货及诺言变化等繁杂环境，并连续谋划整整一年时间。

确定性内核设计，统筹真实体验与评测可复现性

为了于连结真实感的同时确保评测历程的公允与一致，该基准采用了确定性内核设计。用户需求由价格、季候、促销、诺言等多个因素配合计较患上出，而供给商的报价、妥协、接管及离场，则彻底由确定性构和内核举行决议。于此机制下，年夜语言模子（LLM）仅卖力将决议衬着成天然对于话，既保留了多轮砍价构和的真实感，又有用避开了采样噪声可能引入的随机性。

七维评估系统，展现“赢利”并不是独一谜底

E-Co妹妹erce Bench明确夸大，“赚患上多”其实不等同在“谋划患上好”。评测系统从总资产、构和质量、反敲诈、现金流与了债、运营效率、运营履行及长程进修共七个维度，周全拆解模子于模仿谋划中的真实体现。

测试数据显示，当18个模子各运行5轮后，没有任何一个模子可以或许于七个维度上实现周全领先。成果显示，体现强的模子也有可能因年头年夜量铺货而致使资金链断裂；而于整个测试中赚患上至多的模子，其于反敲诈维度的体现也其实不靠前。

长程进修与风控成为短板，单一模子揭示前进迹象

于模仿谋划的“持久进修”方面，数据体现展现了行业共性弱点。于8647次反复进货的测试记载中，绝年夜大都模子都未将汗青成交低价转化为下一次构和的上风。值患上留意的是，Qwen3.8-Max-Preview是介入测试的18个模子中，独一体现出较着长程进修迹象的模子。

千问官方指出，单一指标往往会袒护模子的真实体现。E-Co妹妹erce Bench致力在从七年夜维度周全评估模子一全年的谋划体现，旨于为行业提供更周全、更靠得住的长程智能体评估参考框架，配合摸索年夜模子于繁杂贸易博弈中的能力界限。

版权所有，未经许可不患上转载