Visa 发布 Agentic Commerce Benchmark:22 个模型购物通过率仅 57.2%,一半失败单仍「买了」
Visa 今日发布行业首个面向 AI 购物的 Agentic Commerce Benchmark,让领先大模型在真实感购物场景里应试,也开放给普通人试玩。
购物对 AI 很难:消费者一开始往往说不清规格。基准要求模型通过对话挖出需求;若没有合适商品应选择不买;为防蒙对,还必须挖到足够信息才能证明决策。
首轮:12 家实验室的 22 个模型,做 15 类购物挑战(电视、笔记本、个护电器等)。
结果摘要:
- 总体通过率约一半(57.2%);最好 82.2%,最差 28.9%。
- 最会挖隐藏购买因素的五个模型平均通过率 70.2%;挖得最少的五个不足一半(44.4%)。
- 单次运行成本最高的五个通过率 67.1%,最便宜五个 50.2%。
- 一致性差:每个模型每场景三次机会,三次全过仅 34.2%。
- 约一半(54%)失败运行仍以「买了」收场——买了不合规商品,或需求没挖全就下单。
Visa 全球增长负责人 Rubail Birwadker 说:「智能体有望驱动下一代电商,但信任是关键。」Visa 2026 年 9 月 Trust Index 显示:72% 美国消费者用过 AI 助手,但只有 23% 信任 AI 代付。Visa 计划扩展品类,并把测试延伸到结账、支付和下单,已把基准分享给主要模型方征求反馈。
https://usa.visa.com/about-visa/newsroom/press-releases.releaseId.22936.html转载,侵删。版权归原作者,如有侵权请来信,收到后删除。
同一批次的其他文章
Ramp:企业 AI 用量还在涨,但支出几乎不动——头部 1% 人均花费从夏季峰值回落,降价与控成本正在改写模型公司的收入曲线
Ramp 称 8–9 月 token 支出仅增 1.5%(7 月曾环比 +42%),用量上升说明需求还在,但价格战、企业路由到更便宜模型(含决策模型 Jev)以及预算管控,让「用量涨、账单不涨」。文章把它放在 Anthropic IPO 窗口前:Bloomberg 转述估值预期已…
Anthropic 1.5 万亿美元 IPO 遇阻:投资者嫌贵、等 10 月收入,中期选举后的数据中心公投又砸了科技股
路透称路演能否下周启动存疑;有人从最高约 2 万亿预期回落到觉得 1.5 万亿也贵,甚至有人只愿给约 1 万亿。理由包括仍亏损、烧钱扩基建、S-1 缺 10 月数字。多州限制数据中心的公投过关加剧抛售;若继续承压,最高估约千亿美元规模的发行可能延期,并牵连整个 AI 板块信心。
Frontier Radar #5:若 AGI 已近,为何大佬还在出走办「新实验室」?梳理 45 家 neolab 的六类技术赌注
专题把独立研究型 AI 公司称为 neolab,按「更好的学习方式 / 不只靠语言 / 独占真实数据 / 算力效率 / 自动化科研 / 不拼第一名也赚钱」六类赌注整理约 27 家详档加近 20 家简述,并点出英伟达几乎处处下注。适合做战略扫描:看清大厂产品化压力之外,资本在押哪条…
Stratechery Sharp Tech 上视频:美国选民如何投票「数据中心」、对大科技与 Google AI 回应意味着什么
Ben Thompson 把 Sharp Tech 首次做成视频,讨论中期选举里数据中心议题如何影响大科技叙事,以及 Google 对 AI 竞争的回应。偏宏观产业与资本开支政治风险,适合对照本周公投与抛售新闻。
亚马逊上线「短信版 Alexa 购物」:用自然语言短信搜、比、下单,还在屏蔽 Muse 爬站之后抢回入口
部分美国用户受邀开通后,可向「Amazon Alexa」发短信完成搜索、加购、下单,也可发照片找相似商品;会学习偏好并盯价。背景是 9 月屏蔽 Meta Muse 查询亚马逊站点,假日季前用自有文本智能体守住交易入口。许可为亚马逊消费产品(非自托管);集成对外部 Agent 仍关…
Google Antigravity v2.29:远程智能体(云端继续跑)+ Gemini Live 语音,面向 AI Pro/Ultra 放量
远程智能体让对话在 Google 管理的云环境跑,合上电脑或换设备也能继续;也可在 antigravity.google.com/remote 打开。另有语音模式、重做的 Automations(定时/常开/暂停)、原生 Jupyter 查看器。托管在 Google 账户体系内,…
小红书「蜜薯」Personal Agent 先走智能眼镜:和 Rokid 联手,把社区经验接到「此时此地」
REDtech 明确用 Personal Agent / Personal OS 表述;Rokid 眼镜上可边看边问店铺与菜单,强调「渐进式感知」。与大厂独立 App 不同,小红书先验证实时多模态、主动服务与长期记忆,再用社区笔记做决策依据。对企业:内容平台如何把 UGC 变成可…
中国移动开源智能体引擎「九天·聚智 JoinAI-Agent」:多智能体协同,零代码扩展 MCP 与 A2A
官方介绍为移动在智能体引擎领域的首个开源项目,支持以零代码方式扩展 MCP 工具与 A2A 智能体,降低个性化智能体应用门槛。适合关注运营商/国内开源 Agent 运行时与协议兼容(MCP/A2A)的团队;具体许可证与部署形态请看原文与仓库。
Physicl 获 1000 万美元种子轮:把电商级高保真 3D 管线,做成机器人/世界模型的合成数据 Studio
创始人来自 nfinite;产品含约 1 万环境、10 万资产,侧重困难边界案例的后训练数据。客户 SpAItial 用其提高从 2D 生成 3D 仿真的保真度。商业 SaaS/数据工具向,非模型权重开源;对做 sim-to-real 与合成数据闭环的团队可关注。
Ai2 开源 ToyBlocks:首个「FoundationWorld」——桌面积木臂仿真,自动生成演示,研究长程推理与 sim-to-real
改进什么:机器人演示窄、难归因失败。怎么做:可控仿真 + 自动任务/演示生成 + 行为度量;积木带字母图案,支持推/翻/堆与域随机化;Isaac Lab RL + TAMP,单卡可达约 24× 实时。首批公开约 8.5 万条长程演示(约 1600 小时)。真实 Franka 上原…
Nace.AI 开源 Drex 决策模型族:输入状态 + 题型,一次前向给出各选项概率,不对文本「生成」
改进什么:很多路由/风控/分类只要校准概率,不必生成长文。怎么做:Drex Max(27B 多模态)、Drex v2.0(35B MoE/约 3B 激活)等,兼容 TypeSafe 风格 `/v1/systemone`,可本地 Python/llama.cpp/Ollama。许可…
Underdog 展示仅 32MB 的端侧 TTS 模型 Woof:浏览器离线朗读,另有 Bark 转写与 27B 本地模型
改进什么:云语音助手贵且不私有。怎么做:约 3100 万参数、31.7MB 的开源 TTS,配合网页小游戏演示;此前还有约 167MB 端侧 ASR Bark。定位美国产、开放、可私人部署的端侧语音栈,并排队本地 Muse/Instinct 替代应用。适合边缘助手与私有语音流水线…