論文の概要: E-Commerce Bench: Evaluating LLM Agents on Long-Horizon Autonomous Business Operation

• arxiv url: http://arxiv.org/abs/2608.30730v1
• Date: Mon, 31 Aug 2026 13:03:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.399047
• Title: E-Commerce Bench: Evaluating LLM Agents on Long-Horizon Autonomous Business Operation
• Title（参考訳）: 電子商取引ベンチ:長期自治事業におけるLCMエージェントの評価
• Abstract要約: E-Commerce Benchは、マルチラウンドのネゴシエーションと動的イベントを1年間のビジネス運用に統合する、最初のオープンソースベンチマークです。 年末の資産を含む7次元にわたる18のフロンティアモデルを評価し,1つのモデルが支配的でないことを発見した。
• 参考スコア（独自算出の注目度）: 54.50499240166176
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-horizon agentic tasks go beyond chaining short tasks over more interaction turns. Their evolving dynamic environments and long-range dependencies require Large Language Models (LLMs) to continually explore, learn from experience, and adapt their policies over thousands of steps. We introduce E-Commerce Bench, the first open-source benchmark that integrates multi-round counterpart negotiation and dynamic events into a year-long business operation. Over a 365-day year, an LLM agent concurrently runs multiple online stores, researching the market, negotiating with suppliers to source inventory, optimizing sales strategies, fulfilling orders, handling returns, and managing cash flow to maximize its end-of-year total assets. To construct a realistic merchant-side operating environment, the product and supplier data are derived from a real e-commerce platform, while a year-long calendar of promotions, natural disasters, and supply-chain shocks continually reshapes demand. For reproducibility, both sides of the market are deterministic: customer purchases and returns follow a fixed demand model, while a negotiation kernel determines supplier pricing, concessions, and decisions, with an LLM used only to verbalize them. We evaluate 18 frontier models across seven dimensions, including year-end assets, and find that no single model dominates. GPT-5.6 Sol earns the most, growing the 100,000 opening stake into 1,431,425, yet it ranks 16th of 18 on fraud avoidance and trails Fable5 in operational efficiency. Among open-weight models, Qwen3.8-Max-Preview leads with 416,252, 38% above GLM 5.2 (high), and achieves the strongest learning over the horizon, progressively bargaining down prices across repeated orders. Our code is available at https://github.com/QwenLM/E-CommerceBench.
• Abstract（参考訳）: ロングホライゾンのエージェントタスクは、より多くのインタラクションターンよりも短いタスクをチェーンするだけではない。 彼らの進化する動的環境と長距離依存関係は、何千ものステップで継続的に探索し、経験から学び、ポリシーを適用するために、大きな言語モデル(LLM)を必要とします。 E-Commerce Benchは、マルチラウンドのネゴシエーションと動的イベントを1年間のビジネス運用に統合する、最初のオープンソースベンチマークです。 365日間にわたって、LLMのエージェントが複数のオンラインストアを同時に運営し、市場を調査し、サプライヤーと交渉して在庫を供給し、販売戦略を最適化し、注文を完了し、リターンを処理し、キャッシュフローを管理し、年末の総資産を最大化する。 現実的な商人側の運用環境を構築するために、製品およびサプライヤーデータは、実際のeコマースプラットフォームから導出され、さらに1年にわたるプロモーション、自然災害、サプライチェーンショック等により需要が継続的に回復する。 顧客の購入と返却は固定需要モデルに従い、ネゴシエーションカーネルはサプライヤの価格、譲歩、決定を決定する。 年末の資産を含む7次元にわたる18のフロンティアモデルを評価し,1つのモデルが支配的でないことを発見した。 GPT-5.6 ソルは10万株を1,431,425株に増やしているが、不正回避とFable5の運用効率で18位にランクインしている。 オープンウェイトモデルの中で、Qwen3.8-Max-Previewは416,252,38%のGLM 5.2を上回り、水平線上で最強の学習を達成し、繰り返し注文された価格を徐々に下げている。 私たちのコードはhttps://github.com/QwenLM/E-CommerceBench.comから入手可能です。

関連論文リスト

• MerchantBench: Benchmarking LLM Agents for Long-Term Coherence in E-Commerce Operations [18.706607921548326]
  長期コヒーレンス(英: Long-Term Coherence)とは、累積的な証拠に決定を適応させながら、地平線を越えて目的的行動を維持する能力である。 売り手側のeコマースは、再帰的かつ相互依存的な決定を通じて、この評価に適切な設定を提供する。 MerchantBenchは、98,843件のeコマース製品記録に基づいた365日間の注文レベルのシミュレーションで、エージェントインタラクションのための26のツールを備えている。
  論文  参考訳（メタデータ） (2026-07-31T02:20:24Z)
• CEO-Bench: Can Agents Play the Long Game? [31.540356544517593]
  言語モデルエージェントは、孤立した短期的なタスクにおいて、熟練した実行者になりつつある。 しかし、現実世界の課題には、エージェントでほとんどテストされていない高度なスキルの組み合わせが必要です。 実世界の代表的タスクをシミュレートすることで、これらの能力を一緒に評価するCEO-Benchを紹介します。
  論文  参考訳（メタデータ） (2026-06-16T23:37:52Z)
• $\ exttt{YC-Bench}$: Benchmarking AI Agents for Long-Term Planning and Consistent Execution [38.30265058791818]
  このベンチマークは、エージェントがシミュレーションされたスタートアップを数百のターンにまたがる1年間の地平線上で実行することで、能力を評価する。 プロプライエタリとオープンソースの両方で、それぞれ3つのシードに対して12のモデルを評価します。 クレード・オプス4.6は1.27Mで平均的なファイナルファンドを達成し、GLM-5は1.21Mで11$times$低い推論コストを達成した。
  論文  参考訳（メタデータ） (2026-04-01T17:52:19Z)
• Self-Improving World Modelling with Latent Actions [53.93276450137471]
  世界の内部モデリングは推論と計画に不可欠である。 状態のみのシーケンスから学習する自己改善フレームワークSWIRLを提案する。
  論文  参考訳（メタデータ） (2026-02-05T19:04:41Z)
• OneMall: One Architecture, More Scenarios -- End-to-End Generative Recommender Family at Kuaishou E-Commerce [68.7552227901176]
  OneMallは、Kuaishouのeコマースサービスに適したエンドツーエンドのジェネレーティブレコメンデーションフレームワークである。 製品カード、ショートビデオ、ライブストリーミングなど、eコマースの複数のアイテム配信シナリオを統合する。 OneMallはすでにデプロイされており、Kuaishouでは毎日4億人のアクティブユーザーが利用している。
  論文  参考訳（メタデータ） (2026-01-29T14:22:39Z)
• xLAM: A Family of Large Action Models to Empower AI Agent Systems [111.5719694445345]
  AIエージェントタスク用に設計された大規模なアクションモデルであるxLAMをリリースする。 xLAMは、複数のエージェント能力ベンチマークで例外的なパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2024-09-05T03:22:22Z)
• MODRL-TA:A Multi-Objective Deep Reinforcement Learning Framework for Traffic Allocation in E-Commerce Search [13.893431289065997]
  本稿では、多目的Q-ラーニング(MOQ)と、クロスエントロピー法(CEM)に基づく決定融合アルゴリズム(DFM)と、プログレッシブデータ拡張システム(PDA)からなる多目的深層強化学習フレームワークを提案する。 実世界のオンラインeコマースシステムの実験は、MODRL-TAの大幅な改善を実証している。
  論文  参考訳（メタデータ） (2024-07-22T08:40:27Z)
• Cooperation, Competition, and Maliciousness: LLM-Stakeholders Interactive Negotiation [52.930183136111864]
  我々は,大言語モデル(LLM)を評価するためにスコーラブルネゴシエーション(scorable negotiations)を提案する。 合意に達するには、エージェントは強力な算術、推論、探索、計画能力を持つ必要がある。 我々は、新しいゲームを作成し、進化するベンチマークを持つことの難しさを増大させる手順を提供する。
  論文  参考訳（メタデータ） (2023-09-29T13:33:06Z)
• Dynamic Pricing with Volume Discounts in Online Settings [102.00782184214326]
  本稿では,電子商取引における客観的機能が利益であり,取引データのみが利用可能である場合の価格設定に焦点を当てる。 我々の研究は、異なるボリューム閾値で最適な価格を定め、異なるクラスのユーザーに提供する価格戦略を見つけることを目的としている。 我々は、オンライン形式でデータを活用できる2段階のオンライン学習アルゴリズムBを設計する。
  論文  参考訳（メタデータ） (2022-11-17T16:01:06Z)
• Learning to Minimize Cost-to-Serve for Multi-Node Multi-Product Order Fulfilment in Electronic Commerce [3.3865605512957457]
  サプライチェーンの最も多くのノードから製品を提供するコストが重要な課題であることに気付きました。 大規模で高確率で地理的に広がるeコマースサプライチェーンは、慎重に設計されたデータ駆動意思決定アルゴリズムに理想的だ。 強化学習に基づくアルゴリズムは,これらのポリシーと競合し,実世界における効率的なスケールアップの可能性を示す。
  論文  参考訳（メタデータ） (2021-12-16T09:42:40Z)

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。