StoreBench 动态电商评测环境发布：用于评估与训练自主运营智能体

研究人员推出 StoreBench 动态电商模拟环境，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。评测的 7 款前沿 LLM 中表现最好的 DeepSeek-V4-Pro 任务通过率仅为 49%，低于人类专家和启发式脚本基线的 97%。通过 GRPO 后训练微调后，Qwen3.5-27B 在测试任务上的平均综合得分从 0.136 提升至 0.373。