AI 摘要
- GPT-5.6 Sol 在 E-Commerce Bench 模擬網店經營中期末資產約為本金 14.3 倍，排名第一。
- 該模型有 18.48% 採購款流向欺詐供應商，辨別詐騙供應商只排第 16 位。
- 研究為模擬測試，未計算 AI 調用成本，結果不能直接視為現實投資回報。
阿里巴巴 Qwen 團隊與香港科技大學等機構的研究人員，讓 18 款大型語言模型化身網店老闆，在模擬市場中各自以人民幣 10 萬元起步獨立經營 365 日。結果 GPT-5.6 Sol 的平均期末資產達人民幣 143.1 萬元（約港幣 154.6 萬元），是本金約 14.3 倍，排名第一。不過它在辨別詐騙供應商方面只排第 16 位，反映賺得最多的 AI 未必最懂控制採購風險。
研究背景：從單一指令到連續營運
這項名為 E-Commerce Bench 的研究，由阿里巴巴 Qwen、淘寶天貓及香港科技大學等研究人員合作完成，論文於 2026 年 8 月 31 日上載 arXiv。研究人員以淘寶及天貓的數據建立模擬經營環境，測試 AI 能否連續處理採購、營運及資金調度，而非只完成個別指令。
測試環境與規則
AI 最多可同時經營 4 間網店，從 60 個商品類別、6,886 款商品及 576 間供應商中尋找貨源。它們可透過 18 種工具進行市場調查、向供應商議價、定價、出貨、處理退貨及提取資金。市場亦設有 8 次促銷活動與 10 宗市場事件，用以改變商品需求。當中 152 間供應商被設定為欺詐商戶，可能收取不合理費用、短付貨量或交付有問題商品。
主要模型表現比較
原論文每款模型各測試 5 次。以下為文中提及的主要模型成績：
| 模型 | 平均期末資產（約） | 約為本金倍數 | 採購款流向欺詐供應商 | 其他表現 |
|---|---|---|---|---|
| GPT-5.6 Sol | 人民幣 143.1 萬元 | 14.3 倍 | 18.48% | 資產排名第一，防騙排名第 16 |
| Fable5 | 人民幣 80.5 萬元 | 8 倍 | 未於來源列出 | 排名第二，工具調用次數較 GPT-5.6 Sol 少約六成 |
| Claude Opus 4.7 | 未於來源列出 | 2.6 倍 | 0.12% | 議價及防騙兩項指標排名第一，整體排第 8 |
| Qwen3.8-Max-Preview | 人民幣 41.6 萬元 | 未於來源列出 | 未於來源列出 | 開放權重模型中表現最好，原論文總排名第 5 |
數據顯示，資產增長最快的模型並不一定是風險控制最好的模型。Claude Opus 4.7 雖然期末資產只有本金約 2.6 倍，卻在議價與防騙兩項指標排名第一。另一方面，Qwen3.8-Max-Preview 會參考過往採購價，在向同一供應商再次訂貨時逐步爭取更低價格。
有錢入帳仍可能破產
模擬環境要求 AI 即時支付貨款與營運開支，但完成出貨後的收入須先留在託管帳戶 9 日，之後才轉到平台錢包，AI 還要主動提款至銀行帳戶。若銀行結餘連續 10 日為負數，該次經營便會被判破產。
原論文合共進行 90 次測試，其中 10 次中途破產。GPT-5.5、Claude Opus 4.6 及 Gemini 3.1 Pro 各有 2 次，Qwen3.5-Plus 則有 4 次。這顯示模型即使判斷商品有利可圖，仍可能因未能及時安排資金周轉而失敗。研究亦將 AI 的長期記憶限制為 20 個項目，舊對話超出長度限制會被移除，迫使模型自行管理營運紀錄。
研究的局限
這項實驗沒有讓 AI 真正開店接單。顧客購買、退貨及供應商議價決定，均由預設的數學規則計算。雖然商品資料來自真實電商平台，測試結果仍不能直接視為現實中的投資回報。研究所稱的期末資產，是銀行結餘、平台錢包與待結算款項的總和，並非一年營業額。
論文亦指出，模擬經濟系統沒有按工具調用次數收取 AI 運行費用，因此期末資產未扣除實際部署模型可能產生的調用成本。研究網站其後已把比較擴展至 21 個模型配置，但本文所述原論文排名與 10 次破產數字，均以最初 18 款模型、90 次測試為準。
編輯觀點
GPT-5.6 Sol 的成績說明，AI 在連續經營情境中的獲利能力已相當突出，但採購風險與現金流管理仍是明顯短板。對有意把 AI 代理應用於電商營運的企業而言，賺錢能力與風險控制應分開評估，並在實際部署前計入調用成本與資金周轉安排。
Reference Link : unwire.hk
