論文の概要: Can LLM Agents Price Competitively? A Dynamic Multi-Attribute Auction Benchmark for Agentic Commerce

• arxiv url: http://arxiv.org/abs/2608.00102v1
• Date: Thu, 30 Jul 2026 23:18:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 15:37:10.366368
• Title: Can LLM Agents Price Competitively? A Dynamic Multi-Attribute Auction Benchmark for Agentic Commerce
• Title（参考訳）: LLMエージェントは競争力があるか? : エージェントコマースのための動的マルチ属性オークションベンチマーク
• Abstract要約: マルチ属性オークションのための動的シールバイドベンチマークであるBazaarを紹介する。 そのダイナミックさにもかかわらず、ベンチマークはクローズドな顧客ユーティリティに基礎を置いている。 最強のエージェントでさえ、後向きの最適利益の3分の1以下を捉えていることがわかった。
• 参考スコア（独自算出の注目度）: 6.73241735302544
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agentic commerce is moving from concept to deployed infrastructure: payment networks, retailers, and AI platforms are setting the stage for agents to transact on behalf of merchants and consumers. Yet whether the LLMs behind these agents can price competently in real markets, where customer preferences are hidden, competitors adapt in real time, and demand can shift without warning, has not been systematically tested. We introduce Bazaar, a dynamic sealed-bid benchmark for multi-attribute auction under these conditions. Despite its dynamics, the benchmark is grounded in closed-form customer utilities, enabling exact evaluation. Across 11 frontier LLMs from four providers, the leading agents on customer acquisition (e.g. Gemini 3.1 Pro) are often not the leading agents on profit (e.g. Opus 4.6). The ranking shifts again under demand shocks: agents that learned fastest pre-shock are typically the slowest to revise their beliefs afterwards, while Gemini 3.1 Pro recovers fastest despite not leading on profit. However, even the strongest agent captures less than a third of hindsight-optimal profit, suggesting current LLMs are progressing in agentic commerce but leave substantial headroom.
• Abstract（参考訳）: エージェントコマースは、コンセプトからデプロイされたインフラへと移行しつつある。支払いネットワーク、小売業者、AIプラットフォームは、エージェントが商人や消費者に代わってトランザクションを行うためのステージを設定している。 しかし、これらのエージェントの背後にあるLCMが、顧客の嗜好が隠されている実際の市場で、競争相手がリアルタイムで適応し、需要が警告なしでシフトできるかどうかが、体系的にテストされていない。 本研究では,これらの条件下でのマルチ属性オークションのための動的シールバイドベンチマークであるBazaarを紹介する。 そのダイナミクスにもかかわらず、ベンチマークはクローズドな顧客ユーティリティに基礎を置いており、正確な評価を可能にしている。 4つのプロバイダの11のフロンティアLCMのうち、顧客獲得のリードエージェント(例:Gemini 3.1 Pro)は利益のリードエージェント(例:Ops 4.6)ではないことが多い。 調査会社ジェミニ3.1プロは利益を導いていないものの、過去最高水準に回復した。 しかし、最強のエージェントでさえ、後向きの最適利益の3分の1以下を捕えており、現在のLLMはエージェント商取引で進展しているが、実質的なヘッドルームを残していることを示唆している。

関連論文リスト

• Business Arena: Benchmarking LLM Agents in a Realistic Marketplace [14.641921772947926]
  Business Arenaは、AIエージェントが国境を越えた店を経営し、サプライヤーから購入し、長期にわたって購入者に販売する管理環境である。 15のフロンティアモデルを評価し,9倍の差が得られた。 最高のモデルでさえ、人間設計の戦略に遅れをとっており、LLMエージェントにとってビジネス運用は依然として困難であることを示している。
  論文  参考訳（メタデータ） (2026-08-09T10:08:21Z)
• SR-Agent: An Experience-Driven Agentic Framework for Post-Ranking Strategy Refinement in E-Commerce Recommendation [17.227149633495586]
  SRAgentは産業用電子商取引レコメンデーションシステム(RS)におけるポストグレード戦略を洗練するための最初のエージェントフレームワークである。 SR-Agentは、3つのコンポーネントを統合している: (i) ユーザ認識の悪いケースを検査するUserSimエージェント、 (ii) 繰り返し発生する悪いケースを構造化された再利用可能な診断に集約する分析エージェント、 (iii) 型付きおよび有界なアクションにマップする制約付き戦略リファインメントハーネス。
  論文  参考訳（メタデータ） (2026-07-20T09:12:46Z)
• Thinking Out Loud: Real-Time Deception Monitoring in Asymmetric LLM Negotiations [0.0]
  軽量リアルタイムチェーンオブ思想モニタは、非対称な交渉中に戦略的偽装を検出することができる。 実験により、このモニターは買い手の歩行率を増加させるが、永続的な情報ギャップが明らかになる。
  論文  参考訳（メタデータ） (2026-06-13T12:35:46Z)
• Taming "Zombie'' Agents: A Markov State-Aware Framework for Resilient Multi-Agent Evolution [50.50276752935017]
  AgentReviveは、レジリエントなマルチエージェント進化のためのMarkovステートアウェアフレームワークである。 我々の手法はソフト状態遷移を通じてエージェントの協調を動的に管理する。 ステートアウェアなエージェントスケジューリングによってトークンの消費を大幅に削減する。
  論文  参考訳（メタデータ） (2026-05-17T09:38:18Z)
• Breaking User-Centric Agency: A Tri-Party Framework for Agent-Based Recommendation [59.362016745945375]
  第1回LLM-Adnt Recommendation framework(TriRec)を提案する。 TriRecは、ユーザユーティリティ、アイテム露出、プラットフォームレベルの公正性を明示的に調整する。 精度、公平性、およびアイテムレベルのユーティリティにおいて、一貫した利得を示す。
  論文  参考訳（メタデータ） (2026-03-11T11:40:13Z)
• Magentic Marketplace: An Open-Source Environment for Studying Agentic Markets [74.91125572848439]
  本稿では,サービスエージェントが消費者を代表し,サービスエージェントが競合するビジネスを代表する2面のエージェントマーケットプレースについて検討する。 この環境では、ユーティリティエージェントが達成する行動バイアス、操作に対する脆弱性、検索メカニズムが市場の結果をどのように形作るか、といった主要な市場ダイナミクスを研究することができる。 実験の結果、フロンティアモデルは最適な福祉に近づくことができるが、理想的な探索条件下でのみ適用可能であることが判明した。
  論文  参考訳（メタデータ） (2025-10-27T18:35:59Z)
• When Agents Trade: Live Multi-Market Trading Benchmark for LLM Agents [74.55061622246824]
  Agent Market Arena (AMA)は、LLM(Large Language Model)ベースのトレーディングエージェントを評価するための、初めてのリアルタイムベンチマークである。 AMAは、検証済みのトレーディングデータ、専門家チェックされたニュース、および統一されたトレーディングフレームワーク内に多様なエージェントアーキテクチャを統合する。 GPT-4o、GPT-4.1、Claude-3.5-haiku、Claude-sonnet-4、Gemini-2.0-flashにまたがる薬剤を評価する。
  論文  参考訳（メタデータ） (2025-10-13T17:54:09Z)
• Agent Trading Arena: A Study on Numerical Understanding in LLM-Based Agents [69.58565132975504]
  大規模言語モデル(LLM)は、自然言語処理において顕著な能力を示した。 LLMをベースとしたエージェントが競合するマルチエージェント取引を行う仮想ゼロサム株式市場であるエージェントトレーディングアリーナを提示する。
  論文  参考訳（メタデータ） (2025-02-25T08:41:01Z)
• Agent-FLAN: Designing Data and Methods of Effective Agent Tuning for Large Language Models [56.00992369295851]
  オープンソースのLarge Language Models(LLM)は、さまざまなNLPタスクで大きな成功を収めていますが、エージェントとして振る舞う場合、それでもAPIベースのモデルよりもはるかに劣っています。 本稿では,(1) エージェント学習コーパスを,(1) エージェント学習データの分布から大きくシフトするエージェント推論と,(2) エージェントタスクが必要とする能力に異なる学習速度を示すエージェント学習コーパスと,(3) 幻覚を導入することでエージェント能力を改善する際の副作用について述べる。 本稿では,エージェントのためのFLANモデルを効果的に構築するためのエージェントFLANを提案する。
  論文  参考訳（メタデータ） (2024-03-19T16:26:10Z)
• Many learning agents interacting with an agent-based market model [0.0]
  反応型エージェントベースモデルと相互作用する最適な実行取引エージェントの学習のダイナミクスを考察する。 このモデルは、最適な実行学習エージェント、最小限の知的流動性テイカー、高速な電子流動性プロバイダによって表される3つの栄養レベルを持つ市場エコロジーを表している。 学習可能な最適な実行エージェントを組み込むことで、経験的データと同じ複雑さで動的に生成できるかどうかを検討する。
  論文  参考訳（メタデータ） (2023-03-13T18:15:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。