CEO-Bench: Can Agents Play the Long Game?

这篇论文构造了一个 500 天创业公司经营环境，代理通过 Python 接口管理定价、营销、预算等决策，并从噪声业务数据库里推断策略。关键结果很克制：只有 Claude Opus 4.8 和 GPT-5.5 最终高于 100 万美元起始余额，但二者也不能稳定盈利。它把 agent benchmark 从“会不会调用工具”推进到长期资源配置、信息获取和策略调整。