如果你在超过单次会话的任何时长上评估代理，这个值得你花时间。
（收藏它）
E-Commerce Bench 通过模拟一个 365 天运营多个在线商店的年份来运行代理。
18 个前沿模型在七个维度上得分，没有单一模型占据主导。
GPT-5.6 Sol 赚得最多，将 100,000 开盘赌注增长到 1,431,425，然后在欺诈避免上排名 18 个中的第 16 位，并在运营效率上落后于 Fable 5。
在开源权重模型中，Qwen3.8-Max-Preview 以 416,252 领先，比 GLM 5.2（高）高出 38%，并通过在重复订单中逐步压低供应商价格，展示了最强的跨周期学习能力。
论文：http://t.cn/AX0GQ0qk
与论文聊天：
http://t.cn/AX0GQ0qD