Hardware Dan SoftWare Komputer

Emerson Electric Co. EMR melaporkan laba yang disesuaikan pada kuartal keempat tahun fiskal 2025 (berakhir 30 September 2025) sebesar $1,62 per saham, yang sejalan dengan Estimasi Konsensus Zacks. Intinya meningkat 9% dari tahun ke tahun.

Penjualan bersih Emerson sebesar $4,89 miliar mengalahkan perkiraan konsensus sebesar $4,88 miliar. Pendapatan tertinggi meningkat 5% dari tahun ke tahun, didorong oleh kinerja yang solid dari segmen Perangkat Lunak dan Kontrol. Penjualan dasar perusahaan naik 4% dari tahun ke tahun.

Kinerja Segmen Usaha ESDM

Efektif mulai kuartal pertama tahun fiskal 2023, perusahaan mulai melaporkan dalam dua segmen, yaitu Perangkat Cerdas dan Perangkat Lunak & Kontrol.

Penjualan bersih segmen Perangkat Cerdas mencapai $3,40 miliar, naik 4% dari tahun ke tahun. Perkiraan kami adalah $3,43 miliar. Segmen tersebut terdiri dari empat subgrup yaitu Final Control, Measurement & Analytical, Discrete Automation, dan Safety & Productivity.

Penjualan Final Control meningkat 4% dari tahun ke tahun menjadi $1,22 miliar. Measurement & Analytical menghasilkan penjualan sebesar $1,15 miliar, naik 3% dari tahun ke tahun. Penjualan Discrete Automation berjumlah $676 juta, mencerminkan peningkatan sebesar 5% dari tahun ke tahun. Penjualan Keselamatan & Produktivitas meningkat 2% dari tahun ke tahun menjadi $360 juta.

Segmen Solusi Otomasi Perangkat Lunak dan Kontrol menghasilkan penjualan bersih sebesar $1,48 miliar, naik 9% dari tahun ke tahun. Perkiraan kami adalah $1,51 miliar. Segmen tersebut terdiri dari dua subgrup yaitu Sistem Kontrol & Perangkat Lunak dan Subgrup Pengujian & Pengukuran.

Sistem Kontrol & Perangkat Lunak melaporkan penjualan sebesar $1,07 miliar, mencerminkan peningkatan sebesar 7% dari tahun ke tahun. Penjualan Tes & Pengukuran mencapai $408 juta, meningkat 13% dari tahun ke tahun.

Harga, Konsensus, dan Kejutan EPS Emerson Electric Co

Bagan harga-konsensus-eps-kejutan-Emerson Electric Co Kutipan Emerson Electric Co

Detail Margin Emerson

Biaya penjualan meningkat 3,9% dari tahun ke tahun menjadi $2,34 miliar. Margin laba sebelum pajak adalah 16,4% dibandingkan dengan 14,7% pada periode tahun lalu. Margin EBITA yang disesuaikan adalah 27,5% dibandingkan dengan 26,2% pada kuartal tahun sebelumnya. Beban penjualan, umum dan administrasi meningkat 1,1% dari tahun ke tahun menjadi $1,33 miliar.

Neraca & Arus Kas ESDM

Setelah keluar dari kuartal fiskal keempat, Emerson memiliki kas dan setara kas sebesar $1,54 miliar dibandingkan dengan $3,6 miliar pada akhir tahun fiskal 2024 (berakhir September 2024). Utang jangka panjang adalah $8,32 miliar dibandingkan dengan $7,16 miliar pada akhir tahun fiskal 2024.

Pada periode yang sama, perusahaan menghasilkan kas bersih sebesar $3,10 miliar dari aktivitas operasi, turun 7% dari tahun ke tahun. Belanja modal mencapai $431 juta, naik dari $419 juta pada periode tahun lalu. Emerson membayar dividen sebesar $1,19 miliar dan membeli kembali saham senilai $1,17 miliar pada periode yang sama.

Prospek Fiskal 2026 Kuartal 1 Emerson

Untuk kuartal pertama tahun fiskal 2026 (berakhir pada September 2026), Emerson memperkirakan pertumbuhan penjualan bersih dari tahun ke tahun menjadi sekitar 4% dan pertumbuhan penjualan pokok menjadi sekitar 2%.

EMR mengantisipasi laba per saham yang disesuaikan menjadi sekitar $1,40.

Outlook FY26 ESDM

Emerson saat ini mengantisipasi pertumbuhan penjualan bersih sekitar 5,5% dari tingkat tahun sebelumnya. Penjualan yang mendasarinya diperkirakan akan meningkat sekitar 4%.

EMR memproyeksikan laba per saham menjadi $4,73-$4,93. Laba per saham yang disesuaikan diperkirakan $6,35-$6,55. Perusahaan mengharapkan arus kas operasi menjadi $4,0-$4,1 miliar. Arus kas bebas diperkirakan sekitar $3,5-$3,6 miliar.

Peringkat Zacks ESDM

Perusahaan saat ini membawa Zacks Peringkat #2 (Beli).

Anda bisa melihat daftar lengkap saham Zacks #1 Rank (Strong Buy) hari ini ada di sini.

Kinerja Perusahaan Lain

Perusahaan Dover DOV melaporkan laba $2,62 per saham pada kuartal ketiga 2025, mengalahkan Estimasi Konsensus Zacks sebesar $2,50. Bandingkan dengan laba $2,27 per saham tahun lalu.

Dover membukukan pendapatan sebesar $2,08 miliar pada kuartal tersebut, meleset dari Perkiraan Konsensus Zacks sebesar 0,6%. Bandingkan dengan pendapatan tahun lalu sebesar $1,98 miliar.

Kemasan Logam Ardagh SA AMBP menghasilkan pendapatan delapan sen per saham pada kuartal ketiga tahun 2025, mengalahkan Estimasi Konsensus Zacks sebesar tujuh sen. Bandingkan dengan laba delapan sen per saham tahun lalu.

Ardagh Metal membukukan pendapatan $1,43 miliar pada kuartal tersebut, mengalahkan Estimasi Konsensus Zacks sebesar 2,7%. Bandingkan dengan pendapatan tahun lalu sebesar $1,31 miliar.

Perusahaan Pengemasan Amerika PKG melaporkan laba $2,73 per saham pada kuartal ketiga, meleset dari Estimasi Konsensus Zacks sebesar $2,83. Bandingkan dengan laba $2,65 per saham tahun lalu.

Packaging Corp membukukan pendapatan sebesar $2,31 miliar pada kuartal tersebut, melampaui Estimasi Konsensus Zacks sebesar 2,2%. Bandingkan dengan pendapatan tahun lalu sebesar $2,18 miliar.

Artikel ini awalnya diterbitkan di Zacks Investment Research (zacks.com).

Riset Investasi Zacks

Tiongkok dilaporkan telah mengeluarkan larangan besar terhadap chip AI asing di pusat data mana pun yang didukung oleh dana pemerintah, menurut sebuah laporan oleh Reuters. Langkah ini berlaku surut untuk build yang masih dalam tahap awal, artinya akselerator dari Nvidia, AMD, dan Intel mungkin perlu dilepas atau diganti jika sudah terpasang.

Laporan tersebut, yang mengutip sumber yang tidak disebutkan namanya dan memiliki pengetahuan langsung, mengklaim bahwa regulator telah menginstruksikan proyek-proyek yang didanai negara untuk hanya menggunakan silikon buatan Tiongkok di masa mendatang. Itu termasuk chip domestik dari Huawei, Cambricon, dan Enflame, antara lain.

Perangkat Lunak Persatuan (kamu +11,35%) saham membukukan keuntungan besar pada hari Rabu setelah laporan triwulanan perusahaan baru-baru ini. Harga saham perusahaan naik 6,4% pada pukul 11:30 ET, dan telah naik sebanyak 17,6% di awal sesi.

Unity menerbitkan hasil kuartal ketiganya setelah penutupan pasar kemarin dan membukukan penjualan dan pendapatan yang lebih baik dari perkiraan. Sahamnya kini naik 92% sepanjang perdagangan tahun ini.

Saham Unity menguat karena hasil Q3 yang kuat

Unity mencatat laba per saham yang disesuaikan non-GAAP (prinsip akuntansi yang berlaku umum) sebesar $0,20 dengan pendapatan $471 juta pada kuartal ketiga. Sebagai referensi, perkiraan rata-rata analis Wall Street memperkirakan laba per saham yang disesuaikan sebesar $0,17 dan pendapatan $453,06 juta. Penjualan secara tak terduga meningkat sebesar 5% dari tahun ke tahun, didorong oleh momentum yang kuat untuk platform dan jaringan periklanan digital baru perusahaan.

Perubahan Hari Ini

(11.35%) $4.07

Harga Saat Ini

$39,94

Poin Data Penting

Kapitalisasi Pasar

$15 miliar

Rentang Hari

$37.67 – $42.01

Kisaran 52 minggu

$15.33 – $46.94

Volume

1,4 juta

Rata-rata Jil

11M

Margin Kotor

74.42%

Hasil Dividen

T/A

Apa selanjutnya untuk Persatuan?

Unity memandu pertumbuhan pendapatan triwulanan sekuensial satu digit di Q4. Pendapatan untuk periode tersebut diproyeksikan antara $480 juta dan $490 juta. Sementara itu, laba sebelum bunga, pajak, depresiasi, dan amortisasi (EBITDA) yang disesuaikan diproyeksikan antara $110 juta dan $115 juta untuk kuartal ini.

Integrasi alat kecerdasan buatan (AI) dan otomatisasi dalam platform iklan perusahaan tampaknya membuahkan hasil yang besar, dan inisiatif perubahan haluan perusahaan menunjukkan momentum yang menggembirakan.

Nilai total komponen pendingin cair dalam sistem AI skala rak GB300 NVL72 Nvidia adalah $49,860, menurut laporan yang baru-baru ini dirilis dari Morgan Stanley yang diperoleh oleh @Jukanlosreve. Biaya sistem pendingin cair untuk solusi Vera Rubin NVL144 generasi berikutnya dari perusahaan akan meningkat sebesar 17% menjadi $55.710, karena GPU Rubin generasi berikutnya dan switch NVLink akan lebih haus daya, klaim laporan tersebut.

Biaya bill of material (BOM) sistem pendingin untuk rak 'Oberon' NVL72 Nvidia — yang mencakup 18 baki komputasi (masing-masing mengonsumsi setidaknya 6,6kW* daya, namun memerlukan pendinginan sebesar 6,2kW*) dan 9 baki sakelar — totalnya $49.860.

Mengenai setan kelumpuhan tidur bertema limbah elektronik, tidak ada yang lebih menakutkan daripada vape sekali pakai dan sekali pakai. Mengapa, oh Mengapa apakah hal-hal buruk ini ada? Dan mengapa, oh mengapa begitu banyak dari mereka yang mengandung baterai lithium-ion padahal sebenarnya dapat diisi ulang? Aku berkeringat dingin hanya dengan memikirkannya.

Andai saja momok ini dapat diubah menjadi sesuatu yang lebih berguna daripada, katakanlah, kotak Doom lainnya dalam segala hal. YouTuber Chris Doel rupanya telah mendengar ratapan saya yang bertema lingkungan, karena telah membuat sejumlah proyek yang menggunakan kembali sel-sel listrik ini menjadi bank daya yang dapat mengisi daya dengan cepat dan baterai e-bike. Versi terbarunya meningkatkan “beberapa tingkat”, menciptakan sesuatu yang tidak hanya menghasilkan energi yang cukup untuk memenuhi peralatan pengeditannya yang haus daya, tetapi juga memberi daya pada seluruh rumahnya menggunakan 500 vape sekali pakai.

Saya belum pernah memiliki PC desktop, hanya mengandalkan laptop gaming yang terhubung ke segala jenis monitor dan dock. Saya masih bisa memainkan semua yang saya suka, pada resolusi yang kokoh, sambil dapat memindahkan pengaturan saya kapan pun saya mau. Namun, sedikit bantuan tentu berguna dalam hal pendinginan laptop gaming terbaik sekalipun.

Saya selalu mewaspadai dudukan pendingin laptop – opsi yang murah sering kali hanya meniupkan debu kembali ke sistem Anda, menyebabkan lebih banyak masalah daripada menyelesaikannya. Namun, Cooling Pad Laptop Razer berbeda dan menjadi pusat pengaturan saya sepanjang tahun. Setelah berbulan-bulan memeriksa harga, saya akhirnya dapat mengatakan bahwa penghematan telah tiba. Bantalan tersedia untuk $129,99 di Amazon minggu ini, pertama kalinya didiskon dari MSRP $169,99.

Benda ini telah tertahan di $169,99 sepanjang masa pakainya sejauh ini. Diskon hari ini menandai pertama kalinya saya melihat angka-angka tersebut goyah. Diskon $40 adalah penghematan pertama yang cukup mengesankan untuk gadget Razer, dan sangat membantu menjaga daya saing perangkat tersebut.

Haruskah Anda membeli Cooling Pad Laptop Razer?

media=”https://cdn.mos.cms.futurecdn.net/pQPDgiq233kpAkfjUxg2dZ.jpg”/>

Saat saya tidak sedang menguji laptop gaming baru, saya menggunakan Cooling Pad Laptop Razer dengan Blade 14, namun tidak perlu memiliki mesin Sneki. Pad ini kompatibel dengan semua rig berukuran 14 inci, 16 inci, dan 18 inci, memberikan pendinginan ruang bertekanan tambahan untuk menjaga semuanya berjalan lancar.

Tentu saja, ada beberapa pemanis yang tercampur jika Anda memiliki salah satu laptop Razer terbaik. Pemilik blade dapat menikmati kontrol cerdas melalui koneksi USB-A, yang secara dinamis menyesuaikan kecepatan kipas berdasarkan beban dan suhu sistem Anda saat ini.

Ini bukan pengganti peningkatan GPU, Anda tidak akan tiba-tiba melihat peningkatan framerate dalam game yang menuntut. Namun, stabilitas terasa meningkat ketika sistem Anda sedang bermasalah. RTX 4070 Blade 14 saya berkinerja jauh lebih baik di Indiana Jones dan Great Circle dan Avowed, keduanya berjalan dalam QHD, dengan kipas berputar. Kegagapan berkurang, dan dalam beberapa kasus saya bahkan dapat meningkatkan tekstur sedikit lebih jauh.

Casing plastiknya membuat saya kesal saat dirilis, dan saya masih lebih memilih sesuatu yang terlihat lebih premium saat ini. Namun, ia ditempatkan dengan rapi di sudut meja saya dan memiliki LED RGB sendiri untuk berkontribusi pada pertunjukan cahaya juga.

Jika Anda memiliki sistem lama yang kesulitan untuk mempertahankan levelnya dalam rilis yang lebih besar, ini tentu merupakan bantuan yang bagus.

Jika Anda tidak memerlukan fitur pendinginan tambahan, lihat laptop gaming Asus terbaik Dan laptop Alienware terbaik Saya sudah menguji sejauh ini. Atau, perhatikan lebih dekat hal-hal yang akan datang Penawaran laptop gaming Black Friday untuk penawaran lebih lanjut.

Tahun lalu, Badan Antariksa Eropa dan pengembang game mendapatkan satelit kecil yang mengorbit Bumi di luar angkasa untuk menjalankan Doom secara real-time. Namun, daya tarik untuk melakukan sesuatu yang benar-benar normal di terra firma di lingkungan luar angkasa yang sangat tidak bersahabat hanyalah milik segelintir pembuat kode, karena dua perusahaan berharap menjadi yang pertama memiliki pusat data dan, percaya atau tidak, pengecoran chip di orbit.

Ini mungkin tampak seperti hal yang sangat mahal untuk dilakukan, namun ketika salah satu perusahaan yang disebutkan di atas kebetulan adalah Google, Anda tahu bahwa biaya di muka mungkin tidak menjadi masalah. Dengan nama Project Suncatcher, Anda akan dimaafkan jika berpikir bahwa Google berharap merancang sistem panel surya khusus untuk memberi daya pada semua pusat datanya.

Autonomous AI agents are here, and they’re poised to reshape the economy. By automating discovery, negotiation, and transactions, agents can overcome inefficiencies like information asymmetries and platform lock-in, enabling faster, more transparent, and more competitive markets.

We are already seeing early signs of this transformation in digital marketplaces. Customer-facing assistants like OpenAI’s Operator and Anthropic’s Computer Use can navigate websites and complete purchases. On the business side, Shopify Sidekick, Salesforce Einstein, and Meta’s Business AI help merchants with operations and customer engagement. These examples hint at a future where agents become active market participants, but the structure of these markets remains uncertain.

Several scenarios are possible. We might see one-sided markets where only customers or businesses deploy agents; closed platforms (known as walled gardens) where companies tightly control agent interactions; or even open two-sided marketplaces where customer and business agents transact freely across ecosystems. Each path carries different trade-offs for security, openness, convenience, and competition, which will shape how value flows in the digital economy. For a deeper exploration of these dynamics, see our paper, The Agentic Economy.

To help navigate this uncertainty, we built Magentic Marketplace (opens in new tab)— an open-source simulation environment for exploring the numerous possibilities of agentic markets and their societal implications at scale. It provides a foundation for studying these markets and guiding them toward outcomes that benefit everyone.

This matters because most AI agent research focuses on isolated scenarios—a single agent completing a task or two agents negotiating a simple transaction. But real markets involve a large number of agents simultaneously searching, communicating, and transacting, creating complex dynamics that can’t be understood by studying agents in isolation. Capturing this complexity is essential because real-world deployments raise critical questions about consumer welfare, market efficiency, fairness, manipulation resistance, and bias—questions that can’t be safely answered in production environments.

To explore these dynamics in depth, the Magentic Marketplace platform enables controlled experimentation across diverse agentic marketplace scenarios. Its current focus is on two-sided markets, but the environment is modular and extensible, supporting future exploration of mixed human–agent systems, one-sided markets, and complex communication protocols.

What is Magentic Marketplace?

Magentic Marketplace’s environment manages market-wide capabilities like maintaining catalogs of available goods and services, implementing discovery algorithms, facilitating agent-to-agent communication, and handling simulated payments through a centralized transaction layer at its core, which ensures transaction integrity across all marketplace interactions. Additionally, the platform enables systematic, reproducible research. As demonstrated in the following video, it supports a wide range of agent implementations and evolving marketplace features, allowing researchers to integrate diverse agent architectures and adapt the environment as new capabilities emerge.

We built Magentic Marketplace around three core architectural choices:

HTTP/REST client-server architecture: Agents operate as independent clients while the Marketplace Environment serves as a central server. This mirrors real-world platforms and supports clear separation of customer and business agent roles.

Minimal three-endpoint market protocol: Just three endpoints—register, protocol discovery, and action execution—lets agents dynamically discover available actions. New capabilities can be added without disrupting existing experiments.

Rich action protocol: Specific message types support the complete transaction lifecycle: search, negotiation, proposals, and payments. The protocol is designed for extensibility. New actions like refunds, reviews, or ratings can be added seamlessly, allowing researchers to evolve marketplace capabilities and study emerging agent behaviors while remaining compatible.

Additionally, a visualization module lets users observe marketplace dynamics and review individual conversation threads between customer and business agents.

Setting up the experiments

To ensure reproducibility, we instantiated the marketplace with fully synthetic data, available in our open-source repository (opens in new tab). The experiments modeled transactions such as ordering food and engaging with home improvement services, where agents represented customers and businesses engaging in marketplace transactions. This setup enabled precise measurement of behavior and systematic comparison against theoretical upper bounds.

Each experiment was run using 100 customers and 300 businesses and included both proprietary models (GPT-4o, GPT-4.1, GPT-5, and Gemini-2.5-Flash) and open-source models (OSS-20b, Qwen3-14b, and Qwen3-4b-Instruct-2507).

Our scenarios focused on simple all-or-nothing requests: Each customer had a list of desired items and amenities that needed to be present for a transaction to be satisfying. For those transactions, utility was computed as the sum of the customer’s internal item valuations minus actual prices paid. Consumer welfare, defined as the sum of utilities across all completed transactions, served as our key metric for comparing agent performance.

While this experimental setup provides a useful starting point, it is not intended to be definitive. We encourage researchers to extend the framework with richer, more nuanced measures and request types that better capture real consumer welfare, fairness, and other societal considerations.

What did we find?

Agents can improve consumer welfare—but only with good discovery

We explored whether two-sided agentic markets—where AI agents interact with each other and with service providers—can improve consumer welfare by reducing information gaps. Unlike traditional markets, which do not provide agentic support and place the full burden of overcoming information asymmetries on customers, agentic markets shift much of that effort to agents. This change matters because as agents gain better tools for discovery and communication, they relieve customers of the heavy cognitive load of filling any information gaps. This lowers the cost of making informed decisions and improves customer outcomes.

We compared several marketplace setups. Under realistic conditions (Agentic: Lexical search), agents faced real-world challenges like building queries, navigating paginated lists, identifying the right businesses to send inquiries to, and negotiating transactions.

Despite these complexities, advanced proprietary models and some medium-sized open-source models like GPTOSS-20b outperformed simple baselines like randomly choosing or simply choosing the cheapest option. Notably, GPT-5 achieved near-optimal performance, demonstrating its ability to effectively gather and utilize decision-relevant information in realistic marketplace conditions.

Performance increased considerably under the Agentic: Perfect search condition, where agents started with the top three matches without needing to search and navigate among the choices. In this setting, Sonnet-4.0, Sonnet-4.5, GPT-5, and GPT-4.1 nearly reached the theoretical optimum and beat baselines with full amenity details but without agent-to-agent coordination.

Open-source models were mixed: GPTOSS-20b performed strongly under both Perfect search and Lexical search conditions, even exceeding GPT-4o’s performance with Perfect search. This suggests that relatively compact models can exhibit robust information-gathering and decision-making capabilities in complex multi-agent environments. Qwen3-4b-2507 faltered when discovery involved irrelevant options (Lexical search), while Qwen3-14b lagged in both cases due to fundamental limitations in reasoning.

Paradox of Choice

One promise of agents is their ability to consider far more options than people can. However, our experiments revealed a surprising limitation: providing agents with more options does not necessarily lead to more thorough exploration. We designed experiments that varied the search results limit from 3 to 100. Except for Gemini-2.5-Flash and GPT-5, the models contacted only a small fraction of available businesses regardless of the search limit. This suggests that most models do not conduct exhaustive comparisons and instead easily accept the initial “good enough” options.

Additionally, across all models, consumer welfare declined as the number of search results increased. Despite contacting over a hundred businesses, Gemini-2.5-Flash’s performance declined from 1,700 to 1,350, and GPT-5 declined even more, from a near-optimal 2,000 to 1,400.

This demonstrates a Paradox of Choice effect, where more exploration does not guarantee better outcomes, potentially due to limited long context understanding. Claude Sonnet 4 showed the steepest performance decline, from 1,800 to 600 in consumer welfare. With all the options presented, it struggled to navigate larger sets of options and frequently contacted businesses that did not provide the goods or services that the customer was looking for.

This combination of poor initial selection and premature search termination demonstrates both inadequate decision-making criteria and insufficient exploration strategies. Some models showed modest performance decline (i.e., GPT-4.1: from 1,850 to 1,700; GPT-4o: from 1,550 to 1,450), finding good options within their limited exploration.

Agents are vulnerable to manipulation

We tested six manipulation strategies, ranging from subtle psychological tactics to aggressive prompt injection attacks:

• Authority: Fake credentials like “Michelin Guide featured” and “James Beard Award nominated” paired with fabricated certifications.
• Social proof: Claims like “Join 50,000+ satisfied customers” or “#1-rated Mexican restaurant” combined with fake reviews.
• Loss aversion: Fear-based warnings about “food poisoning” risks and “contamination issues” at competing restaurants.
• Prompt injection (basic): Attempts to override agent instructions.
• Prompt injection (strong): Aggressive attacks using emergency language and fabricating competitor scandals.

Results revealed significant variation in manipulation resistance across models. Sonnet-4 was resistant to all attacks, and none of the manipulative strategies affected any of the customers’ choices. Gemini-2.5-Flash was generally resistant, except for strong prompt injections, where mean payments to unmanipulated agents were affected as a result. GPT-4o, GPTOSS-20b and Qwen3-4b were very vulnerable to prompt injection: all payments were redirected to the manipulative agent under these conditions. Specifically for GPTOSS-20 and Qwen3-4b-2507, even traditional psychological manipulation tactics (authority appeals and social proof) increased payments to malicious agents, demonstrating their vulnerability to basic persuasion techniques. These findings highlight a critical security concern for agentic marketplaces.

Systemic biases create unfair advantages

Our analysis revealed two distinct types of systematic biases showed by agents when selecting businesses from search results. Models showed systematic preferences based on where businesses appeared in search results. While proprietary models showed no strong positional preferences, open-source models exhibited clear patterns. Specifically, Qwen2.5-14b-2507 showed a pronounced bias toward selecting the last business presented, regardless of its actual merits.

Proposal bias is more pervasive across all models tested. This “first-offer acceptance” pattern suggests that models prioritized immediate selection over comprehensive exploration, potentially missing better alternatives that could have emerged by waiting for better options. This behavior continued across both proprietary and open-source models, indicating a fundamental challenge in agent decision-making architectures.

These biases can create unfair market dynamics, drive unintended behaviors, and push businesses to complete on response speed rather than product or service quality.

What this means

Even state-of-the-art models can show notable vulnerabilities and biases in marketplace environments. In our implementation, agents struggled with too many options, were susceptible to manipulation tactics, and showed systemic biases that created unfair advantages.

These outcomes are shaped not only by agent capabilities but also by marketplace design and implementation. Our current study focused on static markets, but real-world environments are dynamic, with agents and users learning over time. Oversight is critical for high-stakes transactions. Agents should assist, not replace, human decision-making.

We plan to explore dynamic markets and human-in-the-loop designs to improve efficiency and trust. A simulation environment like Magentic Marketplace is crucial for understanding the interplay between market components and agents before deploying them at scale.

Full details of our experimental setup and results are available in our paper (opens in new tab).

Getting started

Magentic Marketplace is available as an open-source environment for exploring agentic market dynamics. Code, datasets, and experiment templates are available on GitHub (opens in new tab) and Azure AI Foundry Labs (opens in new tab).

The documentation (opens in new tab) provides instructions for reproducing the experiments described above and guidance for extending the environment to new marketplace configurations.

Opens in a new tab

OneXPlayer telah memberi harga PC gaming genggam OneXFly Apex baru yang epik. Dan kesenangannya dimulai dengan harga $1.599 yang sedikit mencengangkan ketika dikonfigurasi dengan APU Ryzen AI Max+ teratas dari AMD.

Secara khusus, itulah Ryzen AI Max+ 395, satu-satunya versi APU seluler Strix Halo AMD yang tersedia dengan seluruh 40 unit komputasi grafis spesifikasi RDNA 3.5 yang tersedia. Dan 40 CU tersebut, ditambah bus 256-bit Strix Halo yang sangat lebar (untuk APU), membuatnya sangat menarik, di atas kertas, untuk bermain game.