UserArena发布真实购物轨迹评测长程购物Agent

UserArena发布真实电商交互基准，收录来自1.1万用户的64,729条会话轨迹，覆盖566,102件商品和13种动作类型。评测支持轨迹级评估、离线验证及生产环境受控A/B测试，并从输出有效性、局部决策、序列行为、个性化和最终结果五个层级进行评估。作者还提出On-Policy Trajectory Distillation方法，以提升长程交互场景中的用户模拟保真度。