ERPBench：在竞争性市场生态中评估企业决策智能体

大语言模型（LLM）智能体正被用于企业工作流，但现有评估很少测试商业决策结论是否能跨竞争性市场生态转移。我们提出了ERPBench，一个带有执行监控的基准，用于在包含定价、生产、采购、库存、财务及共享市场竞争的六轮企业资源规划（ERP）模拟中评估企业决策智能体。ERPBench在两种匹配的竞争市场生态中测试相同的100个固定问题：Solo生态中，每个评估的LLM智能体与固定规则对手对战；Arena生态中，六个评估的LLM智能体在共享市场中竞争。在六个模型家族中，共产生1,200个模型级轨迹，覆盖7,200个决策回合。在观察到的服务配置下，领先模型在不同生态中不同：DeepSeek在Solo中领先（平均估值252.29M；平均排名1.67），而Gemini在Arena中领先（263.95M；1.76）。两种生态中仅在21个问题上识别出相同任务级胜者，且Gemini的最低排名率从22%降至0%。ERPBench支持对智能体排名是否能跨市场生态转移的配对评估，并辅以整体执行干预分析。代码和基准资源可访问我们的此 https URL。