PrefBench：隱藏偏好下的個人化定價談判基準

PrefBench 揭示：高成交不等於高利潤

在買方偏好被隱藏的情境下，賣方能談成很多交易但仍可能定價不佳。PrefBench 是一套模擬器基準，專注於個人化定價的隱藏偏好問題。

每個回合配對一名模擬買方與固定商品組合；賣方可見公開人物描述、商品資訊與談判紀錄，買方的估價、耐心、還價與放棄決定由潛在變數控制。測試以固定的狀態摘要和嚴格JSON動作介面限制智能體，強制代理輸出結構化動作。

作者在7,500回合中比較零-shot大型語言模型與啟發式參考策略。結果顯示，模型普遍遵守協議且成交率超過0.99，但賣方利潤表現薄弱：最佳模型的平均利潤僅略高於隨機基準，卻遠不及一個簡單的讓步啟發式策略。

研究指出，結構化動作合規與高成交意願，並不保證利潤敏感的談判表現；PrefBench 提供可控且可重現的評估環境，有助於未來針對利潤導向的定價代理進行改良與驗證。

延伸閱讀

• SynBench：差分隱私下的專業領域合成資料效用與隱私測評
• LeakDojo 評估：RAG（檢索增強生成）帶來的資料外洩風險
• LCC-LLM：以程式碼為核心的惡意程式屬性判定與靜態分析框架

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。