MerchantBench 评测显示八款 LLM 长周期任务表现远逊人类，最好模型仅达人类 27.3%

MerchantBench 用 365 天电商模拟环境评测八款 LLM 智能体在长期连贯性上的表现，包括 GPT-5.6 Sol 和 Claude Opus 4.8。