CommerceAgentBench：评测智能体真实完成任务能力

Accio 开源 CommerceAgentBench，包含 107 个电商任务，覆盖采购、商品上架、运营、履约和售后，智能体需跨浏览器、邮件、日历、文档、API 和文件操作。评测不依据智能体声称，而是验证其实际修改、保存或提交的结果。最佳运行仅完成 66/107 任务（61.7% 通过率），数据基于 10M SMB 用户、1.6M 对话和 200K 智能体轨迹。