Business Arena：在真实市场环境中基准测试大语言模型商业智能体

经营生意是一种具有挑战性的智能工作。经营者必须从局部信号中推断机会，在不确定下投入资本，适应变化市场中延迟显现的结果，并在合法交易前满足监管义务。前沿大语言模型智能体越来越能完成复杂工作流，但商业相关能力在现有智能体基准中很少被评估。我们提出Business Arena，一个受控环境，AI智能体在其中长期经营一家跨境商店，向供应商采购并向买家销售。该竞技场基于真实的Alibaba.com采购数据和由权威来源校准的市场条件。延迟且相互耦合的后果使单个商业决策难以评判，但其综合结果可通过利润衡量。由于仅凭利润无法解释智能体成败的原因，我们将智能体与人类设计的策略比较以估计可获得的机会，用技能级指标揭示潜在优劣，并把已实现的盈亏追溯到产生它们的行动。我们用机制消融证明，强劲结果反映真实的商业智能，而非疏忽或模拟器特有的捷径。我们评估15个前沿模型，发现平均最终净资产相差九倍。即使是最好的模型也落后于人类设计的策略，表明商业经营对大语言模型智能体仍具挑战性。技能级分析揭示了经营风格，从关注利润率的高端卖家到高周转批发商和客户服务专长型，而行动级归因找出了创造或摧毁价值的采购、定价与挽回决策。总体而言，Business Arena为评估端到端商业智能体迈出了打造现实且可信测试床的第一步。