阿里巴巴.com开发了CommerceAgentBench,这是一个旨在评估AI代理在真实商业任务中表现的开源基准。该基准可在GitHub上获取,包含107个源自实际电子商务运营的端到端任务,重点关注采购、物流和售后服务等领域。初步测试显示,最强的模型仅能正确完成其中61.7%的任务,这凸显了在识别支付异常、计算着陆成本、核对冲突文件以及管理多段航线等方面存在的重大挑战。 AI
影响 凸显了AI代理能力与复杂、真实商业执行需求之间的差距。
排序理由 该条目描述了用于评估AI代理在商业任务中表现的新基准的开发和发现。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →