StoreBench：以动态电商经营检验长期Agent决策

强化学习环境现在是在训练后提高大语言模型（LLM）能力的主要杠杆，但大多数 agentic 基准仍然是静态的：只有当代理行动时世界才会移动，奖励是最终判决，并且通过标准是任意设置的。我们介绍 StoreBench，这是一个实时商务环境，代理商在生产级商务后端上运营一家中型在线服装商店，在不确定性下测试长期规划和经济判断。客户全天候订购，供应商重新定价并失败，市场冲击在部分或没有警告的情况下到来。代理通过人类操作员使用的相同 29 个商业工具进行操作，在窗口化操作预算下，使模拟时间成为所采取操作的函数，因此模型延迟不会影响模拟时间。通过阈值根据脚本化的锚定策略进行校准，奖励针对一系列奖励黑客进行强化，并且在给定一系列操作的情况下，每个情节都会以相同的方式重播。我们在 30 至 11 种场景中评估了 7 个前沿LLM。 45 天和一个完整的模拟年，超过三名世界种子的推理能力相匹配。平均而言，没有一个模型与脚本化的智能分类策略相匹配：最好的 DeepSeek-V4-Pro 通过了 49% 的任务种子单元，而启发式的通过率为 97%。使用相同工具和预算工作的人类专家的得分超过了每个模型（平均综合得分 0.708 与 0.700）。在 Claude Code 利用下进行的完整模拟一年中，大多数模型都显示出显着的性能改进。在 GRPO 训练后运行中，仅接受五个不相交任务训练的 Qwen3.5-27B 将其在保留评估任务上的平均复合值从 0.136 提高到 0.373。我们发布了五个示例训练分割任务、十个样本轨迹以及评分和验证工具；完整的环境和评估套件被保留，以保持基准不受污染。