
Qwen E-Commerce Benchで見えた 一年動くAIエージェントと一年で学ぶAIエージェントは別物だ
AIエージェントを一年間動かしたら、そのAIは一年分の経験から賢くなるのでしょうか。
Qwenチームが公開したE-Commerce Benchには、この問いをかなり直接的に突きつける結果があります。同じ仕入れ先から同じ商品を買い直した8,647件を調べると、18モデル中16モデルは、時間がたつほど過去の有利な価格を生かす傾向を示せませんでした。15モデルは、自分の取引履歴をランダムに並べ替えた場合と比べても悪い方向へ外れています。統計的に明確な改善を示したのはQwen3.8-Max-Previewだけでした。
Meet E-Commerce Bench, a new benchmark for long-horizon autonomous business operations. 🚀
— Qwen (@Alibaba_Qwen) September 3, 2026
Agents start with ¥100,000 to run online stores for 365 days, handling sourcing, negotiation, pricing, promotions, inventory and cash flow, in a market driven by real e-commerce data.… pic.twitter.com/CpUXD0fq4b
一方、最終的に最も資産を増やしたのはGPT-5.6 Solです。初期資本10万円を平均約143万円まで増やしました。このベンチマークでは、「最も稼いだAI」と「繰り返し取引から最も明確に学んだAI」が一致していません。
ここに、長期AIエージェントを考えるうえで重要な断絶があります。長く止まらず動くことと、経験を次の判断へ戻して同じ失敗を減らすことは別の能力です。 E-Commerce Benchの価値は、どのモデルがネットショップ経営で一位だったかより、この二つを分けて測れる形にした点にあると私は考えています。
一年動くことと一年で学ぶことは別の能力だった
E-Commerce Benchは、AIへECの知識問題を出すテストではありません。エージェントは10万円を持って始まり、365日間、最大4つのオンライン店舗を運営します。商品は6,886点、仕入れ先は576社で、そのうち152社が詐欺的な行動を取る設定です。
AIの仕事は市場調査から始まります。仕入れ先を探して価格を交渉し、発注し、在庫を持ち、商品を公開する。売れ始めたら値段を変え、発送し、返品へ対応し、売上も回収する。1日は600分として進み、調査や交渉、在庫確認にも時間コストがかかります。さらに売上は即座に銀行へ戻りません。発送後はいったん保留され、9日後にプラットフォーム上の財布へ移動し、そこから自分で引き出して初めて次の仕入れに使える銀行残高になります。
この環境で厄介なのは、昨日の判断が翌日以降の選択肢を変えることです。仕入れ過ぎれば現金が減る。危険な仕入れ先を見抜けなければ損失が残る。前回の交渉で安く買えたなら、その価格は次回交渉の材料になる。さらに季節や販促、市場イベントも動くので、固定した手順だけでは対応できません。
AIから見える情報も限定されています。仕入れ先が本当にどこまで値下げできるか、正確な需要上限がどこにあるか、相手が詐欺的かどうかは直接表示されない。調べれば情報は増えますが、調査のたびに営業日は進みます。何を追加で調べ、どこで行動へ移るかまで経営判断に含まれます。
もう一つ難しいのが、判断と結果の時間差です。今日の値付けや仕入れが良かったかは、その場では確定しません。販売、返品、入金、在庫滞留まで進んで初めて評価できる判断もある。長期業務では、行動時点の予想と後から返った結果を同じ案件として結び直せることが欠かせません。

ここで「長期」の意味が変わります。数千ターン続いたこと自体より、過去の状態が次の判断を変える仕事を、状態を失わず運び続けられるかを見る必要があります。ここを見ないと、長期運用の実力を見誤ります。
たとえばコード修正なら、テストが通れば一区切りつきます。レポート作成なら、提出して終えられます。しかし営業、調達、広告運用、カスタマーサポート、財務のような仕事は、一回の正解で終わりません。前回の結果が次回の入力になります。
E-Commerce Benchが興味深いのは、この継続性に加えて「本当に学んだのか」を別に測ったことです。
仕入れ交渉では、同じ仕入れ先から同じ商品を何度も買います。人間の調達担当なら、前回120円まで下がった商品を、次回また以前より高い水準で買い続ければ問題になります。少なくとも、過去に成立した価格を次の交渉の基準に使うはずです。
ベンチマークはこの改善をAnchorRatioという指標で見ます。名称は難しそうですが、考え方は単純です。同じ相手と同じ商品の再取引で、後の取引ほど過去に得た有利な価格を使えているかを測ります。1より低いほど改善方向、1付近なら順番に意味がなく、1を超えるほど後の取引で過去の有利な価格を生かせていないと読めます。
8,647件の再注文と2,230組の仕入れ先と商品の組み合わせを調べると、18モデル中16モデルが1を超えました。15モデルは各モデル自身のランダムな並べ替え基準と比べても、統計的に悪い方向でした。1未満だったのはQwen3.8-Max-PreviewとGemini 3.5 Flashですが、統計的にも明確に改善したのはQwen3.8-Max-Previewだけです。Qwen3.8-Max-PreviewのAnchorRatioは0.834でした。

この結果を「Qwen3.8-Max-Previewが一番賢い」と読むのは早すぎます。分かるのは、この評価環境の繰り返し交渉で改善傾向が最も明確だったことまでです。原因が基盤モデルの推論特性なのか、履歴の使い方なのか、メモリの使い方なのか、この結果だけでは分離できません。
それでも、全体として示していることは重い。毎日仕事をしてログが増え、成功と失敗が蓄積していても、それだけでは学習にならない。経験があることと、経験によって次の方針が改善することは別です。
利益一位だけでは業務AIの強さを説明できない
E-Commerce Benchは最終資産に加え、交渉、詐欺回避、資金繰り、運用効率、実行、長期学習など七つの軸でモデルを評価します。この多軸評価を見ると、モデルごとの「勝ち方」がかなり違うことが分かります。
最終資産で首位だったGPT-5.6 Solは、初期資本10万円から平均約143万円まで増やしました。一方で、詐欺的な仕入れ先へ流れた調達資金の割合を示すBadSpendは18.48%です。かなり危険な相手へ資金を出しながら、それを上回る規模で稼いだ結果と読めます。
Claude Opus 4.7は別の姿を見せます。交渉指標では首位で、詐欺的な仕入れ先への支出は0.12%と最も低い一方、最終資産は8位でした。Fable5は最終資産2位で、ツール一回当たりの利益では首位です。Qwen3.8-Max-Previewは最終資産5位ですが、先ほどの長期学習で最も明確な改善を示しました。

ここから「Claudeは安全型、GPTは攻撃型」と人格のように固定するのも危険ですが、少なくとも利益最大化とリスク最小化と学習能力は同じ指標ではないことは分かります。
企業の業務AIでも同じです。調達AIでは、安く買うことと同時に、不正相手へ許容できる支出上限を決める必要があります。顧客対応AIなら、処理件数に加えて、誤案内、対応期限超過、人間への引き継ぎ漏れを追う。営業AIも、アポイント数とブランド毀損の両方を評価対象に置くべきでしょう。
そのため、順位表の一位をそのまま「最も優れた業務AI」と読むことはできません。何を成果とし、何を損失とし、何を絶対条件として守るかで、最適なモデルも実行系も変わるからです。
状態、権限、評価、復旧まで含む実行系との組み合わせでAIを測る方法は、こちらの記事で詳しく整理しています。
経験が意思決定へ戻らなければ長期メモリは機能しない
では、一年間も動いたのに、なぜ多くのモデルは繰り返し交渉で改善しなかったのでしょうか。
まず、会話履歴には物理的な限界があります。このベンチマークでは約128Kトークンの文脈容量を使いますが、一年間の全作業をそのまま保持することはできません。容量が大きくなると古いツール呼び出しと結果が削除されます。90回の試行全体では、こうした履歴削除が1,495回発生しました。
ただし、ここで「もっと長いコンテキストを使えば解決する」と考えるのも単純すぎます。問題は保存容量だけではありません。
この環境には、履歴が消えても残る専用メモリがあります。それでもメモリ操作は全ツール呼び出しの約2.1%にとどまりました。何を記録するかをAI自身の判断へ任せれば、重要な価格や危険相手が保存されないことがあります。保存しても、次の発注前に必ず参照する仕組みがなければ使われません。
さらに、運用中の経験によって基盤モデルの重み自体がその場で更新されるわけでもありません。昨日の失敗が自動的に今日のモデルへ学習されるわけではない。過去を次に使うには、記録する、取り出す、比較する、方針へ反映するという経路を別に作る必要があります。

もう一つ分かりやすい兆候があります。市場や仕入れ先を調べた2,180回の検索のうち、746回は同じ引数での再問い合わせでした。同じ条件を再確認する合理的な場面はあります。それでも、この規模の再検索は「前に調べた」という状態を十分に再利用できていない可能性を示します。
長期AIでいうメモリは、保存機能の有無だけでは評価できません。何を正式状態として残し、どの判断の前に読み、結果をどう更新するかまで設計する必要があります。
毎日顧客メールへ返信するAIも、先月のクレームから自然に改善するとは限りません。営業提案では失注理由を次回へ戻し、広告運用では先週の実験条件と結果を比較する。こうした経路がなければ、経験の件数だけが増えていきます。
失敗を次の能力へ変えるAI Engineeringについては、プロンプトやメモリに加え、必要な情報、実行の仕組み、再利用手順、評価まで一つのループとしてこちらの記事で掘り下げています。
仕事の状態を外へ残すとAIの経験は組織の記憶になる
会社は、担当者がすべての会話を覚えているから運営できているわけではありません。顧客情報は顧客管理システムに残し、お金は会計や銀行の記録で管理し、在庫は在庫管理へ置き、契約や申請には正式な履歴を残します。担当者が替わっても、必要な人が現在の状態を参照できるようにしています。
AIエージェントにも同じ考え方が必要です。
仕入れ業務なら、仕入れ先ごとに判断材料を分けて持つ方が使いやすいでしょう。過去最安値と直近価格、発注量と納品実績、品質事故や返品、危険判定とその根拠、次回の価格上限、例外承認などです。会話全文は必要なときに参照できればよく、日々の判断ではこうした状態の方が扱いやすい。
営業では、意思決定者、現在の商談段階、未解決論点、前回の反対理由、約束した次の行動、失注理由を正式状態として持つ。カスタマーサポートなら、未解決問題、試した対応、顧客への約束、返金や補償の状態、人間担当者への引き継ぎ条件を残します。

ここで大事なのは、データベースを作れば学習になるわけではないことです。次の判断で参照されなければ、記録は倉庫に置かれたままです。
たとえば発注前には、対象商品の過去最安値と直近価格を必ず取得する。危険判定がある仕入れ先は自動的に候補から外す。例外発注なら承認履歴と理由を読み込む。発注後には、予想した価格、納期、品質と実績の差を戻す。こうして初めて、過去が次の意思決定へ接続されます。
私は、これを単なる「AIメモリ」より組織の記憶として捉える方が実務に合うと考えています。モデルが変わっても残り、担当者が変わっても使え、誤りが見つかれば訂正できる。どの記録を根拠に判断したかも追えるからです。
E-Commerce Benchの長期学習結果は、モデルの記憶力の弱さだけを示したものではありません。より実務的には、経験を正式な業務状態へ変え、次の判断で再利用する経路を持たないと、長期間の実行は学習へ変わらないと読む方が再利用価値があります。
AIに全部考えさせず定型処理と不変条件を分ける
E-Commerce Benchでは、市場調査、在庫確認、価格変更、発送、残高確認、交渉、メモリ操作など18種類の道具を、基本的にLLMが判断して使います。LLMは文章を理解し、曖昧な状況を比較し、次の行動を言葉で考えられる大規模言語モデルです。
モデル同士を比較するベンチマークとしては、この設計は分かりやすい。同じ道具を渡し、どのモデルが何をするかを見られるからです。
ただし、本番の業務システムまで同じ構造にする必要はありません。
発送期限が来た注文を処理する。残高が安全水準を下回ったら仕入れを止める。同じ検索結果が有効な間は再利用する。禁止した相手への発注を止める。一定金額を超える操作を人間承認へ戻す。こうした条件は、毎回LLMに「どうするべきか」と考えさせなくても、通常のコードやワークフローで安定して実行できます。

LLMが向くのは、情報が曖昧で、複数の条件を読み、文脈を踏まえて選ぶ部分です。交渉方針を考える。例外ケースを分類する。複数の候補を比較し、理由付きで提案する。ここには柔軟な推論の価値があります。
反対に、絶対に超えてはいけない資金下限、権限上限、期限、禁止対象、承認額、重複防止といった条件は、モデルの文章力に依存しない場所へ置いた方が強い。プロンプトに「必ず守ってください」と書くことと、システム側で実行を拒否することは同じではありません。
この分業は、AIの自由を奪うためではありません。自由に考える場所を限定することで、AIを安心して広い仕事へ使えるようにする設計です。
長期エージェントでは、外側の仕組みが低確率の失敗を止める役割を持ちます。判断回数が増えるほど、小さな失敗確率も累積するからです。一回99.9%守れる条件でも、何千回も実行すれば「一度も破らない」とは限りません。重大な不変条件は実行系で強制し、モデルが見落としても操作自体を通さない設計にします。
売上があっても破産する環境が状態管理の重要性を示す
この話を具体的に見せるのが、E-Commerce Benchの資金繰りです。
商品が売れても、その売上はすぐ銀行残高になりません。発送後はいったん保留され、9日後にプラットフォーム上の財布へ移る。そこからAIが引き出して、ようやく銀行へ戻る仕組みです。その間にも、仕入れ、送料、店舗運営費、倉庫費用は銀行から先に出ていきます。
損益上は稼げそうでも、手元の現金が先に尽きることがあります。銀行残高がマイナスの状態で10日間の朝を迎えると破産し、90回の試行では10回がこの条件で終了しました。

ここで必要なのは、「キャッシュフローという言葉を知っているAI」ではありません。今いくら銀行にあり、いついくら入る予定で、次の固定費がいくらで、発注すると何日分の余力が残るかを、毎回正しい状態から計算できるシステムです。
実務なら、30日分の固定費を割る発注を禁止する、予定入金を含めた資金予測を更新する、一定額以上の支出は人間承認へ戻す、といった制約を先に置けます。AIには、その安全範囲の中で何を仕入れるか、どの相手と交渉するかを考えさせる。
この構造は財務だけの話ではありません。個人情報を外へ送らない、解約を勝手に確定しない、法務承認前に契約文を送信しない、本番データを削除しない。長期エージェントが現実のシステムへ触れるほど、「賢く判断できるか」と別に「絶対に越えない境界」を持たせる必要があります。
強いベンチマークでも現実の経営へそのまま外挿できない
ここまでの結果は示唆的ですが、「GPT-5.6 Solなら現実のEC会社を最も上手く経営できる」「Qwen3.8-Max-Previewなら会社の中で一年運用すれば学習する」と結論づけることはできません。
第一に、各モデルの評価は5回です。大きな差を見るには役立ちますが、細かな順位差まで確定的な実力差と読むには少ない。人間や、最適化したルールベースの基準もないため、絶対的な難易度や人間との距離も分かりません。
第二に、環境は現実データを土台にしていても、現実のEC経営そのものではありません。利益幅や難易度を作るために調整されたシミュレーションです。外部妥当性、つまり別の会社や別の業務でも同じ順位になるかは限定的です。
第三に、主要スコアの「total assets」は一般会計の総資産と同じ意味ではありません。銀行残高、プラットフォーム上の財布、保留資金を足した金融資産に近く、期末の在庫価値は加算されない。企業会計の総資産と同じものとして順位を読むと、評価対象を取り違えます。
第四に、論文では返品されても2%のプラットフォーム手数料は戻らない設計ですが、2026年9月4日に確認した公開コードでは、返品時にその手数料差額を戻す処理になっています。高返品の商品ほど利益計算へ差が積み上がる可能性があるため、公開コードで論文結果を再現する場合は、どちらの仕様を採用したかを明示する必要があります。

「経済判断は決定論的」という説明も、範囲を限定して読むべきです。主要な価格交渉や受諾判断は、あらかじめ決めたルールに従う仕組みが握っています。ただし、仕入れ先検索と将来の一部結果が同じ乱数の列を共有するため、検索回数の違いで後の納期などが変わり得る。さらにVIP会員費では、支払う意思を別のLLMが文章から分類し、その判定が実際の課金へつながる例外があります。
公平性には別のトレードオフがあります。全モデルの文脈使用量は、文章を細かな単位へ分けて数える共通の「トークナイザー」で計測し、約12万8千トークンの上限へそろえています。比較条件を統一しやすい反面、各提供元が実際に使う分割方式や課金上のトークン数とは完全に一致しません。履歴削除の多さを、そのまま各サービスの実運用上の文脈効率へ読み替えるのは避けた方がよいでしょう。
公開されている仕入れ先データでは、各カテゴリ内で正規の仕入れ先群の後に詐欺的な仕入れ先群が並ぶ規則性があり、IDの並びから詐欺ラベルを推測できる情報漏れがあります。加えて、公開リポジトリで確認できるのはコードが中心で、90回の実行ログ一式、正式なリリース、継続的なテスト基盤まで完全に揃っているわけではありません。第三者がコードを読めることと、論文の全結果をそのまま再計算できることは分けて考える必要があります。
こうした細部を並べる目的は、ベンチマークを否定することではありません。むしろ、ベンチマークも測定装置であり、何を固定し、何を測り、どこにノイズや実装差が残っているかを読まなければならないということです。
Qwenチームが作ったベンチマークでQwen3.8-Max-Previewだけが学習指標で明確な改善を示した点も、独立再現が望ましいところです。ただし、最終資産の首位はGPT-5.6 Solであり、全指標でQwenモデルが有利になる単純な設計とは読みづらい。現時点では、特定モデルの宣伝材料にするより、評価方法を取り出す方が安全です。
私が高く評価したいのはLeaderboardより、長期学習を同じ仕入れ先と同じ商品の再取引という比較可能な単位で測ったことです。この考え方は、EC以外の業務へ持ち出せます。
自社ではモデル順位表より反復判断を評価する
企業でE-Commerce Benchを使うとき、365日のECシミュレーションをそのまま再現する必要はありません。まず、自社の仕事から「同じ種類の判断が繰り返される単位」を探します。
営業なら、同じ商談段階でどの次回行動を選んだか。調達なら、同じ仕入れ先や同じカテゴリでどの価格と条件を選んだか。広告なら、似た配信条件でどの予算変更を行ったか。カスタマーサポートなら、同じ問い合わせ類型でどの回答、エスカレーション、補償判断をしたか。

評価も単発の正答率だけでは足りません。私は少なくとも五つを分けて見ます。
一つ目は成果です。売上、受注、解決率、コスト削減など、仕事の目的を達成できたか。二つ目はリスクで、不正支出、誤送信、権限違反、顧客被害、資金不足といった損失を追います。
三つ目は効率です。ツールを何回使い、人間の修正が何回入り、どれだけの時間と推論コストで合格した仕事を一件作れたか。四つ目の学習では、同じ条件へ再度出会ったとき、過去の結果を使って判断が改善したかを見ます。
五つ目は復旧です。誤った記憶や外部システム障害、途中失敗が起きたときに停止できるか。安全な地点まで戻り、状態を壊さず再開できるか。この能力がないと、長時間の自律運用ほど一度の事故から立て直しにくくなります。

この五つを一つの総合点へ潰し過ぎると、「儲かったが危険だった」「正確だが高すぎた」「長く動いたが学ばなかった」という違いが消えます。E-Commerce Benchの多軸評価から持ち帰るべきなのは、モデルを一列に並べることより、失敗の種類を分けて観測することです。
学習については、もう一段厳しくします。「前回より数字が良かった」だけでは、環境が偶然良かった可能性があります。似た条件、同じ相手、同じ段階など、比較可能な反復単位を作る。そして、前回のどの情報を参照し、何を変えた結果として改善したのかを残す。
この設計をしておくと、AIを評価する問いが具体化します。「この営業段階では前回の失注理由を使って次の提案を改善できたか」「この仕入れ先では過去価格と納期実績を使って発注条件を改善できたか」。業務の中に、条件をそろえて比較できる小さな実験単位が生まれます。
さらに長時間の本番運用では、一貫性を独立して見た方がよい。五回うまくいった後に六回目で重大な制約を破れば、その一回の損失が平均点を上回ることがあります。環境変化で記憶が古くなったときに更新できるか。誤った記憶を削除した後、次の判断が正常へ戻るか。長く動かすほど、平均値からは見えにくい失敗の尾を観測する必要があります。
価格が改善したなら、過去最安値を参照したからなのか。詐欺支出が減ったなら、危険相手の記録を使ったからなのか。検索回数が減ったなら、過去結果を再利用したからなのか。こうした因果候補を追えると、モデルを交換しても改善の仕組みを残せます。
長期自律の差は学習可能な業務構造で決まる
自社で最初に試すなら、本番を一年間完全自律化する必要はありません。むしろ、一つの反復業務を小さな継続環境として再現する方がよいと思います。
調達なら、過去の仕入れ先、価格、納期、品質、在庫、予算を用意する。営業なら、案件の履歴、返信、失注理由、次回行動、商談段階を使う。AIには同じ種類の判断を何度もさせ、回を重ねるにつれて判断が改善するかを追います。
モデルを先に決めるより、仕事側を先に設計します。何を状態として持ち越すのか。結果が返るまでどれくらい遅れるのか。どの経験を正式な記録へ残すのか。次の判断前に何を必ず読むのか。絶対に超えてはいけない条件は何か。どこから人間承認へ戻すのか。失敗したらどこまで戻れるのか。何が改善すれば「学習した」と判定するのか。
小規模検証では、最初から自動実行範囲を広げない方が原因を追いやすいでしょう。まず過去データを使った提案に限定する。次に、人間承認付きで限られた操作を許す。その段階から、成果と同時に、状態の取り違え、不要な再検索、古い記憶の参照、制約違反、復旧失敗も記録していきます。改善が見えなければ、モデル交換へ進む前に、状態の持ち方、参照ルール、ツール、評価条件を切り分けます。
停止条件も先に置けます。重大な権限違反が一度でも出たら止める。人間修正率が目標まで下がらなければ自動化範囲を広げない。反復判断で改善傾向が出ない間は、長期自律を前提にしない。成功とみなすのは、単に長く動いたときではありません。長く動かしても品質を壊さず、経験を次の判断へ戻せたときです。

この順番なら、モデルを同じ条件で比較できます。同じ業務状態と評価条件を使ってGPT系、Claude系、Gemini系、Qwen系などを試し、自社の必要能力を満たす構成を選ぶ。モデルが更新されても、評価環境と組織の記憶は持ち越せます。
モデルを先に決めて「このAIに何をさせよう」と始めると、能力のデモへ業務を寄せやすくなります。長期運用で組織資産として残したいのは、仕事の状態、判断履歴、評価ケース、停止条件、復旧手順です。特定モデル向けの長いプロンプトは、その時点の実装部品として扱う方が交換しやすくなります。
企業でAI活用を研修だけで終わらせず、業務設計、エージェント開発、評価と改善運用まで具体化したい場合は、支援内容をこちらにまとめています。
E-Commerce Benchを見て、「AIだけで会社を一年運営できる時代が来た」と読むのは早い。一方で、「シミュレーションだから実務には関係ない」と切り捨てるのも惜しいと思います。
今のAIは、かなり長い業務ループを動けるようになりました。市場を調べ、交渉し、在庫を動かし、数百から数千の判断を続けられる。しかし同じ実験の中で、資金繰りを誤り、危険な相手へ支払い、同じ検索を繰り返し、過去の有利な価格を十分に再利用できない姿も見えています。

だから、長期AIエージェントの次の競争は、コンテキストが何トークンあるか、モデルがどれだけ長く動けるかだけでは決まりません。
仕事の状態を外へ残す。経験を次の判断で強制的に参照する。結果との差を戻す。失敗できない条件をモデルの外で守る。成果、リスク、効率、学習、復旧を別々に測る。
この構造があって初めて、長期間の実行が組織の学習へ変わります。
E-Commerce Benchで最も持ち帰りたいのは、GPT-5.6 Solが何円まで増やしたかという順位ではありません。一年動くAIと、一年で学ぶAIは別物だった。だから企業は、AIを長く動かす前に、仕事そのものを学習可能な構造へ変える必要がある。 私はここに、このベンチマークの実務的な価値があると考えています。
出典・参考資料
Qwen Team, E-Commerce Bench Long-Horizon Operations Multi-Dimensional Evaluation, 2026-09-03
https://qwen.ai/blog?id=e-commerce-benchE-Commerce Bench Project Site
https://ecbench.github.io/QwenLM E-CommerceBench GitHub Repository
https://github.com/QwenLM/E-CommerceBenchWei Fan et al., E-Commerce Bench Evaluating LLM Agents on Long-Horizon Autonomous Business Operation, arXiv:2608.30730v1
https://arxiv.org/abs/2608.30730