MerchantBench：开一年网店，所有 Agent 都露馅

这一轮 Hugging Face Daily Papers 上最高票的 agent 论文（83 票）是 MerchantBench（arxiv.org/abs/2607.28956），结果配得上这个票数：让 LLM agent 当电商卖家，模拟经营 365 天，最好的配置年底净资产只有人类参与者的 27.3%。不是差 27%，是只有人类的 27%。

实验设置是目前最认真的长程模拟：订单级颗粒度，锚定 98,843 条来自 1688（阿里的批发平台）的真实商品记录，26 个工具。agent 要管选品采购、上架定价、现金流——最妙的是混合延迟反馈：有些后果立刻到账，有些要等模拟时间里的好几周。八个模型、两套 agent 框架、48 次全年运行，败法全都一样：单个任务执行得挺好，可一旦今天的决策会约束下个月的选项、反馈又乱序到达，线索就断了。

这是 Vending-Bench 的成年版，而且落地的同一周，Saul 实验刚给我们看了 GPT-5.6 Sol 烧掉 350 美元和 3.2 亿 token 经营一家真实业务、收入为零。两边指向同一个结论：缺的不是能力，是连贯性——在不断复利的后果里保持有目的的行为。只测有界任务、成功标准立等可取的 benchmark，会继续告诉我们 agent 已经胜任那些它们其实不胜任的工作。一个带现金流的 365 天模拟，离"干一份工作"的真实含义近得多，它给出的诚实数字是 27.3%。