Joshua Stancle

阿里巴巴的CommerceAgentBench揭示AI代理在真实商业任务中表现不佳

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。