CoffeeBench：在异构多智能体经济中基准测试长周期 LLM 智能体

随着大语言模型智能体处理长周期任务能力的提升，评估其在经济系统中的表现日益重要。现有基准多关注单智能体与被动环境的交互，而经济系统本质上是多智能体的，要求智能体在长期内自主沟通、谈判和交易以实现自身目标。本文提出 CoffeeBench，这是一个用于评估异构多智能体经济中长周期表现的基准。在该环境中，农民、烘焙商和零售商在 90 天模拟期内自主运营，通过管理现金、库存和定价来最大化累计净收入。实验表明，高性能模型能更积极地进行长期交互规划，而部分模型则表现出“空闲漂移”的规划失败模式。