E-Commerce Bench آپریشن میں

E-Commerce Bench علی بابا کے Qwen اور Taotian گروپ کے اشتراک سے جاری کیا گیا طویل مدتی ای کامرس کاروباری کارکردگی کا جائزہ لینے کا معیار ہے۔ E-Commerce Bench، LLM Agent کو 100,000 یوآن کے ابتدائی سرمائے کے ساتھ حقیقی مارکیٹ کی نقل میں 365 دن تک آن لائن اسٹور چلانے کا موقع دیتا ہے، جس میں مصنوعات کا انتخاب، سپلائرز سے مذاکرات، قیمتوں کا تعین، انوینٹری اور نقدی کے بہاؤ کا انتظام شامل ہے۔ یہ ماحول حقیقی پلیٹ فارم کے ڈیٹا پر مبنی ہے اور اس میں 576 سپلائرز (جن میں فراڈ کرنے والے بھی شامل ہیں)، 8 پروموشنز اور 10 مارکیٹ واقعات شامل ہیں۔ متعیناتی کرنل قابلِ تکرار نتائج کو یقینی بناتا ہے، جبکہ منافع، مذاکرات، فراڈ سے بچاؤ اور طویل مدتی سیکھنے سمیت سات جہتوں میں ماڈل کی کاروباری صلاحیت کا جائزہ لیا جاتا ہے۔

طویل مدتی کاروباری سمولیشن: LLM Agent کو 100,000 یوآن کے ابتدائی سرمائے کے ساتھ متحرک مارکیٹ میں 365 دن تک آن لائن اسٹور چلانے اور سال کے آخر میں کل اثاثوں کو زیادہ سے زیادہ کرنے کا موقع دیتا ہے۔
متعدد اسٹورز کا آپریشن: بیک وقت زیادہ سے زیادہ 4 اسٹورز کھولنے اور 12 مختلف اقسام کے اسٹورز میں مصنوعات کی مختلف کیٹیگریز ترتیب دینے کی سہولت۔
سپلائرز سے مذاکرات: 576 سپلائرز کے ساتھ متعدد ادوار میں قیمتوں پر مذاکرات کر کے کم خریداری لاگت حاصل کرنا۔
فراڈ کی شناخت: 152 جعلی سپلائرز کے 5 عام فراڈ (VIP فیس، اسٹاک کی عدم دستیابی، معیار میں کمی، جعلی عجلت اور ڈسکاؤنٹ کے جال) کی شناخت اور ان سے بچاؤ۔
متحرک مارکیٹ سے نمٹنا: 8 پروموشنز اور 10 ہنگامی واقعات (آفات اور سپلائی چین کے دھچکوں) کے دوران کاروباری حکمتِ عملی کو ایڈجسٹ کرنا۔
انوینٹری اور گودام کا انتظام: 6,886 SKU کی خرید، فروخت اور اسٹاک کا انتظام، جبکہ فی یونٹ فی دن گودام فیس ادا کرنا۔
نقدی کے بہاؤ کا کنٹرول: تین اکاؤنٹس پر مشتمل تصفیہ نظام اور 9 دن کی تاخیر سے وصولی کو سنبھالنا تاکہ profitable-but-bankrupt (منافع کے باوجود دیوالیہ پن) سے بچا جا سکے۔
سات جہتی جامع جائزہ: منافع، مذاکرات، فراڈ سے بچاؤ، ادائیگی کی صلاحیت، کارکردگی، عمل درآمد اور طویل مدتی سیکھنے کی سات آزاد جہتوں میں اسکورنگ۔

WeChat پر فالو کریں اور “开源” کا جواب دے کر AI اوپن سورس پروجیکٹس کے گروپ میں شامل ہوں
چار سطحی معماری: نظام اوپر سے نیچے Agent لوپ پرت، ٹول پرت، ماحول پرت اور ڈیٹا پرت پر مشتمل ہے، جو فیصلہ سازی، عمل درآمد اور ماحولیاتی ردِعمل کا مکمل چکر بناتی ہیں۔
متعیناتی مذاکراتی کرنل: سپلائرز کی تمام قیمتیں، رعایتیں اور قبول یا مسترد کرنے کے فیصلے ایک مقررہ الگورتھمی کرنل کے ذریعے গণ کیے جاتے ہیں، جبکہ LLM صرف عددی فیصلوں کو قدرتی زبان کی گفتگو میں پیش کرتا ہے۔ اس طرح متعدد ادوار کی قیمت گفت و شنید کا حقیقی تجربہ برقرار رہتا ہے، نمونہ سازی کی بے ترتیبی مکمل طور پر ختم ہو جاتی ہے، اور ماڈل jailbreak یا دھوکے کے ذریعے لاگت کی حد سے کم قیمت حاصل نہیں کر سکتا۔ یوں ایک ہی حکمتِ عملی کے تحت مختلف Agent کے لیے قابلِ تکرار نتائج یقینی بنتے ہیں۔
متحرک معاشی انجن: صارفین کی طلب کو تصادفی طور پر نمونہ نہیں بنایا جاتا، بلکہ کیٹیگری کی بنیادی طلب، قیمت کی لچک، مارکیٹ واقعات اور اسٹور کی ساکھ جیسے عوامل سے গণ کیا جاتا ہے۔ قابلِ تکرار بے ترتیبی صرف episode seed کے ذریعے کنٹرول ہوتی ہے۔
تین اکاؤنٹس کا تصفیہ اور نقدی کے بہاؤ کا دباؤ: لاگت واقع ہونے والے دن ہی بینک اکاؤنٹ سے منہا ہو جاتی ہے، لیکن فروخت کی آمدنی ”شپمنٹ → 9 دن کی پلیٹ فارم ضمانتی مدت → پلیٹ فارم والیٹ → دستی رقم نکلوانا“ کے بعد ہی بینک میں واپس آتی ہے۔ اس سے دانستہ طور پر ورکنگ کیپیٹل کا خلا پیدا کیا جاتا ہے، Agent کو لیکویڈیٹی فعال طور پر منظم کرنے پر مجبور کیا جاتا ہے اور صرف منافع دیکھ کر نقدی کو نظرانداز کرنے والے قلیل مدتی رویے سے بچا جاتا ہے۔
طویل مدتی سیکھنے کا جائزہ (AnchorRatio): یہ جانچتا ہے کہ ایک ہی پروڈکٹ کو بار بار خریدتے وقت Agent کم قیمت حاصل کرتا جاتا ہے یا نہیں۔ اس Agent کی اپنی سابقہ قیمتوں کی تصادفی ترتیبِ نو کو صفر مفروضہ قرار دیا جاتا ہے؛ اگر تناسب نمایاں طور پر 1.0 سے کم ہو تو اس کا مطلب ہے کہ ماڈل سابقہ مذاکراتی تجربے سے خریداری کی حکمتِ عملی کو مسلسل بہتر بنا سکتا ہے۔

کوڈ حاصل کریں: GitHub سے E-Commerce Bench کے اوپن سورس ریپوزٹری کو مقامی ماحول میں کلون کریں۔
ماحول ترتیب دیں: پروجیکٹ کی انحصارات انسٹال کریں اور Python کا رن ٹائم ماحول تیار کریں۔
ماڈل منسلک کریں: کنفیگریشن فائل میں زیرِ جائزہ LLM کی API Key اور ماڈل کا نام درج کریں۔
سمولیشن شروع کریں: مرکزی پروگرام چلائیں، Agent خودکار طور پر 365 دن کی ای کامرس کاروباری مہم شروع کر دے گا۔
نتائج دیکھیں: سمولیشن مکمل ہونے کے بعد نظام سات جہتی جائزہ رپورٹ اور پورے سال کے اثاثوں میں تبدیلی کا گراف خودکار طور پر تیار کرے گا۔

طویل مدتی کاروباری جائزے کا بانی معیار: پہلی بار LLM Agent کے جائزے کو مختصر مدتی کاموں سے بڑھا کر 365 دن تک جاری رہنے والے متحرک کاروباری منظرنامے تک لے جاتا ہے۔
حقیقی مارکیٹ کے ڈیٹا سے تقویت یافتہ: 6,886 مصنوعات، 60 کیٹیگریز اور 576 سپلائرز حقیقی ای کامرس پلیٹ فارم کے گمنام ڈیٹا سے تیار کیے گئے ہیں۔
متعیناتی کرنل سے قابلِ تکرار نتائج: مذاکراتی قیمتیں اور مارکیٹ کی طلب مقررہ الگورتھمی کرنل سے গণ کی جاتی ہے، جبکہ LLM صرف گفتگو پیش کرتا ہے، جس سے تصادفی نمونہ سازی کا شور مکمل طور پر ختم ہو جاتا ہے۔
سات جہتوں پر مشتمل جامع جائزہ نظام: سال کے آخر کے اثاثوں کے علاوہ مذاکرات، فراڈ سے بچاؤ، نقدی کا بہاؤ، کارکردگی، عمل درآمد اور طویل مدتی سیکھنے کی صلاحیت کا بھی الگ الگ جائزہ لیا جاتا ہے۔
حقیقی کاروباری دباؤ کی سمولیشن: تین اکاؤنٹس پر مشتمل تاخیر سے تصفیہ اور روزانہ گودام فیس کا نظام Agent کو صرف حسابی منافع کے بجائے ورکنگ کیپیٹل کا انتظام کرنے پر مجبور کرتا ہے۔
فراڈ سے بچاؤ کی صلاحیت کی پیمائش: 152 جعلی سپلائرز اور 5 عام فراڈ شامل ہیں، جو ماڈل کی خطرات کی شناخت اور سرمائے کے تحفظ کی صلاحیت کو درست طور پر ناپتے ہیں۔

پروجیکٹ کی ویب سائٹ: https://ecbench.github.io/
GitHub ریپوزٹری: https://github.com/QwenLM/E-CommerceBench
arXiv تکنیکی مقالہ: https://arxiv.org/pdf/2608.30730

بڑے ماڈلز کی کاروباری صلاحیت کا جائزہ: GPT، Claude اور Qwen جیسے جدید ماڈلز کی طویل مدتی کاروباری صلاحیت کا معیاری تقابلی جائزہ فراہم کرتا ہے۔
ای کامرس Agent کی حکمتِ عملی میں بہتری: Reinforcement Learning اور Agent معماری کے لیے تربیتی سینڈ باکس کے طور پر قیمتوں، خریداری اور انوینٹری کی حکمتِ عملیوں کی تیز رفتار توثیق۔
سپلائی چین رسک کنٹرول الگورتھم کی تحقیق: فراڈ کرنے والے سپلائرز پر مشتمل نقلی ماحول میں سپلائرز کے انتخاب اور خطرے کی شناخت کے ماڈلز کی جانچ اور بہتری۔
متحرک قیمتوں کے الگورتھم کی توثیق: حقیقی قیمت کی لچک کے ڈیٹا سے مختلف قیمتوں کی حکمتِ عملیوں کی پروموشنز اور موسمی اتار چڑھاؤ کے دوران آمدنی کی کارکردگی جانچنا۔
کاروباری فیصلہ سازی کی سمولیشن تربیت: بزنس اسکول یا ادارے کے اندر کاروباری سمولیٹر کے طور پر، نقدی کے بہاؤ کے دباؤ اور مارکیٹ کی غیر یقینی صورتِ حال میں منتظمین کی فیصلہ سازی کی صلاحیت کو تربیت دینا۔