电商Agent基准模型集体不及格
RealReplicaBench 用 107 个真实电商商业任务测试 13 个主流模型，最高分仅 56.1，GPT、Claude、GLM、Qwen、DeepSeek、Gemini 等均未达 60 分。该基准来自阿里 Accio Work 团队，强调工具调用型 Agent 在采购、发品、经营分析等真实流程中的可靠性仍不足。
事件进展（1 篇报道）
-
2026-08-17 12:10
RealReplicaBench 用 107 个真实电商商业任务测试 13 个主流模型，最高分仅 56.1，GPT、Claude、GLM、Qwen、DeepSeek、Gemini 等均未达 60 分。该基准来自阿里 Accio Work 团队，强调工具调用型 Agent 在采购、发品、经营分析等真实流程中的可靠性仍不足。