卖得更多，玩得更少：对标 LLM 现实销售技巧

销售对话需要在不对称激励下进行多轮、目标导向的说服，这对 大语言模型 (LLM) 来说是一个具有挑战性的环境。然而现有的对话基准很少衡量交易进展和结果。我们引入了 SalesLLM 基准，这是一种双语 (ZH/EN) 基准，源自涵盖金融服务和消费品的实际应用程序，由 30,074 个脚本配置和 1,805 个精心策划的多回合场景构建，具有可控的难度和角色。我们提出了一个全自动评估管道，它结合了（i）用于销售流程进度的 LLM 判断，以及（ii）用于对话结束购买意图的微调 BERT 分类器。为了提高模拟保真度，我们使用 SFT 和 DPO 在 8,000 多个众包​​人员参与的销售对话中训练用户模型 CustomerLM，将角色倒置从 17.44% (GPT-4o) 减少到 8.8%。 SalesLLM 基准分数与人类评分密切相关（平均 Pearson r=0.86；注释者间协议 Krippendorff 的 alpha=0.86，每个模型 500 个注释）。在 15 个主流 LLM 中，在中文中，最强的模型与典型的（初级到中级）人类销售人员竞争，而不是与销售专家竞争，而较弱的模型则低于此基线，并且跨语言一致性仍然很差。 SalesLLM 基准是面向结果的销售代理的可扩展基准。我们的代码和数据发布在https://github.com/Bairong-Xdynamics/Benchmarking-LLM-Realistic-Selling-Skill