TERMS-Bench：超越成交率诊断 LLM 谈判代理

谈判是经济交换的核心机制，也是测试代理语言模型的关键场景，但其评估因缺乏内在验证器而极具挑战。现有研究多依赖聚合结果（如成交率），导致失败原因不透明。本文提出 TERMS-Bench，一种基于贝叶斯博弈的框架，通过将对手设定为具有潜在类型和策略的诊断工具，使环境本身成为验证器。该框架实现了可归因的失败分析及最优性差距度量。实验表明，前沿模型虽在成交率上饱和，但在盈余提取、线索利用及信念校准等推理维度上存在显著差异。