速報
RetailBench：測試長期決策的零售 LLM 代理人基準
研究團隊推出 RetailBench，模擬單店超市的千日營運環境，讓大型語言模型（LLM）代理人在定價、補貨、供應商選擇、貨架配置、庫存老化、顧客回饋、外部事件與現金流限制等多重因素下運作。測試七種當代 LLM 於 180 天的表現，結果顯示只有少數模型能完整運作，且與理想的特權策略相比，最優模型在最終淨值與銷售上仍有顯著差距。
速報
研究團隊推出 RetailBench，模擬單店超市的千日營運環境，讓大型語言模型（LLM）代理人在定價、補貨、供應商選擇、貨架配置、庫存老化、顧客回饋、外部事件與現金流限制等多重因素下運作。測試七種當代 LLM 於 180 天的表現，結果顯示只有少數模型能完整運作，且與理想的特權策略相比，最優模型在最終淨值與銷售上仍有顯著差距。
速報
長期互動遊戲環境考驗代理人跨時步鏈式技能與延遲回饋決策。COSPLAY讓大型語言模型從可學習技能庫檢索並重用技能，技能管線自動萃取精煉技能與契約。實驗於六款遊戲顯示，使用8B基模型相較四個先進基線在單人遊戲上平均回報提升逾25.1%。且在多人社交推理類遊戲亦維持競爭力。