StoreBench：用于评估与训练自主电商运营智能体的动态环境基准

研究团队推出 StoreBench 动态电商运营基准环境，用于评估和训练智能体在不确定性下的长程规划与经济决策能力。智能体可通过 29 个真实商家工具运营服装网店，在 7 款前沿大语言模型评测中表现最佳的 DeepSeek-V4-Pro 通过率为 49%，人类专家平均综合得分（0.708）优于所有模型。