阿里国际开源电商 Agent 评测基准

阿里国际的 Accio 团队开源了 **CommerceAgentBench**，一个专测电商场景 Agent 的评测基准。它包含 **107 个任务**，横跨采购、商品上架、运营、订单履约与售后，评测方式不是问答，而是看 agent 在一套模拟电商系统里实际改动了多少状态——比如贴上的标签、保存的草稿、发布的商品、返回的物流单号。

官方在 13 个模型家族上做了三轮环境测试，当前的最好成绩也只有 **61.7%**。评测强调落地而非答题，任务覆盖 CLI、浏览器、文档与 API/MCP 四类操作面，并保留了完整可审计的运行轨迹。完整任务定义与各模型分项数据均见项目仓库与榜单。

💡 为什么值得看头部模型最优仅 61.7%，距可用仍有明显差距。