TL;DR 太长不看
千问大模型团队联合淘天集团发布开源评测基准 E-Commerce Bench，让 18 个大模型用 10 万元本金在模拟真实电商市场中经营网店 365 天。GPT-5.6 Sol 年末资产达 143 万元居首，开源阵营最佳 Qwen3.8-Max-Preview 回报 4.16 倍，且是唯一展现长程学习迹象的模型。项目地址 ecbench.github.io。
https://www.aosen.cc/wp-content/uploads/2026/09/20260907053605-5162.webp
E-Commerce Bench 是什么
E-Commerce Bench 是千问团队联合淘天集团发布的电商经营评测基准，评估大模型作为电商商家在真实市场中经营网店的能力。
与传统「给定目标、有限回合」的 Agent 评测不同，网店经营没有明确的终止状态。模型需要在有限时间和资金约束下做一系列经营决策，并应对市场变化和不确定性。
项目主页为 ecbench.github.io，论文发布于 arxiv.org/abs/2608.30730，代码开源于 github.com/QwenLM/E-CommerceBench。
评测如何模拟真实经营
Agent 拿到 10 万元本金，可同时开多家店，在长达一年的模拟里每天调研品类、跟供应商砍价、定价上架、盯促销节奏、管理库存和现金流。
环境数据脱敏自淘宝与天猫平台：6886 个商品分布在 60 个品类，背后是 576 个供应商和 12 种店型，全年日历固定 10 个市场事件和 8 场促销。
时间也是硬约束。每天只有早八到晚六共 600 分钟可用，查余额要 10 分钟，开店要 60 分钟，给供应商发消息要 30 分钟。收入走担保交易，发货扣佣金后还要 9 天才到平台钱包，需手动提现。仓储按件按天收费，信誉分直接乘在需求量上。
为保证可复现性，供应商采用确定性谈判内核加 NPC 渲染层的设计。报价与让步全部由内核计算，LLM 只负责把决定渲染成对话，避免大模型扮演对手带来的随机噪声和被对抗性操纵的问题。
18 个模型的成绩单
千问对 18 个模型各跑了 5 轮完整评测。GPT-5.6 Sol 年末资产达 143 万元，是本金的 14.31 倍，位列第一。开源阵营表现最好的是 Qwen3.8-Max-Preview，回报 4.16 倍，但总榜前四名均为闭源模型。
经营失败同样真实。90 次评测中有 10 次以破产收场，GPT-5.5 有两次在一月就因大量铺货导致资金链断裂。
分维度看，反欺诈是差距最大的一项。576 家供应商中 152 家是欺诈方，占 26.4%。Claude Opus 4.7 流向欺诈供应商的采购占比仅 0.12%，Qwen3.5-Plus 高达 20.11%，最高与最低相差超过 160 倍。谈判质量上 Claude Opus 4.7 得分 0.811 最高，Kimi K2.6 仅 0.596。
长程学习是最有意思的发现。8647 次重复进货中，18 个模型只有 2 个的成交价低于随机重排零假设，15 个模型越买越贵。唯一有明显长程学习迹象的是 Qwen3.8-Max-Preview，其 AnchorRatio 为 0.88，说明它在重复进货时能把价格往更低方向压。
By the Numbers 关键数字
- 本金与周期：10 万元本金、365 天持续经营
- 评测规模：18 个模型各 5 轮
- 环境数据：6886 商品、60 品类、576 供应商、12 种店型
- 欺诈供应商占比：26.4%（152 家）
- 总资产第一：GPT-5.6 Sol，143 万元，14.31 倍
- 开源最佳：Qwen3.8-Max-Preview，4.16 倍
- 破产次数：90 次评测中 10 次
- 长程学习：仅 Qwen3.8-Max-Preview 的 AnchorRatio 0.88 低于 1
闭源头部与开源最佳对比
| 维度 | GPT-5.6 Sol | Qwen3.8-Max-Preview |
|---|---|---|
| 年末资产倍数 | 14.31 倍 | 4.16 倍 |
| 阵营 | 闭源 | 开源 |
| 长程学习迹象 | 未显现 | 唯一明显显现 |
| 反欺诈表现 | 总榜第一但该维度第 16 | 整体更均衡 |
以上对比基于千问官方发布的评测结果，具体以论文与项目主页为准。
常见问题
问 E-Commerce Bench 是什么。
它是千问团队联合淘天集团发布的开源评测基准，评估大模型用 10 万元本金在模拟真实电商市场中经营网店 365 天的能力。
问 在哪里能看到项目。
项目主页为 ecbench.github.io，论文在 arxiv.org/abs/2608.30730，代码开源于 github.com/QwenLM/E-CommerceBench。
问 哪个模型经营得最好。
GPT-5.6 Sol 年末资产 143 万元居首，是本金的 14.31 倍。开源阵营最佳为 Qwen3.8-Max-Preview，回报 4.16 倍。
问 为什么不用大模型扮演供应商。
大模型对手方会让同一策略跑出不同结果，还可能被欺骗或对抗性操纵压价。该基准用确定性谈判内核算报价，LLM 只负责渲染对话。
问 模型真的在经营中学习了吗。
绝大多数没有。18 个模型中只有 Qwen3.8-Max-Preview 在重复进货时能把成交价压向更低方向，其余多数越买越贵。
问 这个基准能用来干什么。
适合评测模型的商业决策、谈判、反欺诈、现金流管理等长程经营能力，也可用于对比不同模型在真实感商业环境中的表现。
来源说明
本稿综合以下来源撰写，采集时间为 2026 年 9 月 7 日。
一、微信公众号「千问大模型」2026 年 9 月 3 日发布文章《大模型开网店，谁是经营高手？E-Commerce Bench开源揭秘》，提供评测设计、模型成绩与全部关键数字。
二、E-Commerce Bench 项目主页（ecbench.github.io）、论文（arxiv.org/abs/2608.30730）与开源仓库（github.com/QwenLM/E-CommerceBench），提供基准原始出处。
文中评测数据以千问官方发布与论文为准。
最后更新 2026-09-07