For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the complete content index is available at https://we0.ai/llms.txt, the full English article bundle is available at https://we0.ai/llms-full.txt, and this page is available as Markdown at https://we0.ai/es/articles/shopx-explained-model-native-intent-to.md.
Las compras se están alejando de las consultas breves con palabras clave y avanzando hacia expresiones completas de intención. En lugar de e...
Las compras están evolucionando desde consultas cortas con palabras clave hacia expresiones completas de intención.
En lugar de escribir "zapatillas impermeables", un usuario puede describir una situación completa:
"Voy a un parque temático este fin de semana. Quiero un conjunto que se vea bien en las fotos, se mantenga cómodo después de un día entero caminando y pueda soportar lluvia ligera."
Esa solicitud contiene mucho más que una categoría de producto. Incluye un destino, preferencia visual, condición climática, requisito de comodidad y una necesidad implícita de varios artículos que combinen entre sí.
La dificultad aumenta en la siguiente interacción:
"Me gustan estos zapatos. Muéstrame opciones similares, pero que sean más suaves."
Un sistema útil debe recordar a qué zapatos se refiere "estos", por qué le gustaron al usuario y si el reemplazo sigue siendo adecuado para el escenario original del parque temático.
Muchos sistemas actuales de compras con inteligencia artificial utilizan un modelo de lenguaje grande para entender la solicitud, y luego pasan una consulta comprimida a un sistema externo de búsqueda y clasificación. En esa transferencia, una solicitud rica puede reducirse a unas pocas palabras clave y filtros. El equipo de ShopX describe este problema como pérdida de interfaz.
ShopX está diseñado para reducir esa pérdida proporcionando al modelo una forma directa y estructurada de trabajar dentro del catálogo de productos. En lugar de actuar solo como una capa conversacional alrededor de herramientas de búsqueda, el modelo puede planificar, recuperar, clasificar, comparar, agrupar, explicar y actualizar el estado a través de representaciones nativas de productos.
Los sistemas tradicionales de comercio electrónico están altamente optimizados para la recuperación y clasificación. Funcionan bien cuando la solicitud puede representarse como una consulta, un conjunto de filtros o un objetivo a nivel de categoría.
Las compras asistidas por agentes crean un problema diferente.
El usuario ya no está pidiendo un solo resultado de búsqueda. Puede estar solicitando al sistema que:
Un sistema mediado por herramientas típicamente separa este proceso en múltiples etapas:
ordena los candidatos.
5. El modelo convierte los resultados en una respuesta conversacional.
Cada etapa puede ser sólida por sí sola, pero las interfaces entre ellas son estrechas. Un matiz complejo como "suficientemente cómodo para caminar todo el día, pero visualmente distintivo" podría no sobrevivir como un filtro convencional. Una relación como "similar al zapato anterior, pero más suave" podría reducirse a una similitud genérica.
El problema se vuelve más visible a lo largo de múltiples turnos. Si cada turno
inicia una nueva búsqueda, el sistema puede perder productos previamente aceptados, las restricciones del escenario original o el razonamiento detrás de la retroalimentación del usuario.
ShopX parte de un supuesto diferente: el modelo debe operar directamente dentro de un espacio estructurado de productos, en lugar de traducir continuamente su comprensión en comandos de búsqueda externos.
ShopX combina un modelo fundamental central con un ligero arnés de servicio.
El modelo sigue un bucle de interacción de cuatro pasos:
El arnés de servicio expone tres superficies de soporte principales:
El marco soporta tres patrones generales de compra.
Para una solicitud de compra clara, ShopX traduce la intención completa directamente en un conjunto fundamentado de productos.
Esto puede implicar más que recuperar una sola categoría. Una solicitud para una configuración completa de ciclismo podría requerir cascos, guantes y otros productos complementarios en un resultado coordinado.
Cuando la solicitud es vaga, el modelo utiliza el perfil y el contexto de comportamiento para inferir lo que importa.
Por ejemplo, "Encuentra algo adecuado para mi viaje al trabajo" puede requerir pistas sobre el clima, el viaje
método, estilo preferido, compras anteriores y sensibilidad al precio.
Cuando el usuario modifica una recomendación anterior, ShopX actualiza el estado activo de compra en lugar de descartar todo el plan.
Esto permite que el sistema conserve los productos aceptados y las restricciones anteriores, modificando únicamente la parte afectada por los nuevos comentarios.
ShopX no se limita a producir una secuencia de identificadores de producto. El artículo describe un conjunto más amplio de operaciones:
El objetivo es que el modelo sea responsable del recorrido completo desde la intención del usuario hasta un resultado utilizable y fundamentado en el catálogo.
Una parte central de ShopX es el ID Semántico (SID).
Un identificador de base de datos normal tiene poco significado. Indica al sistema qué registro recuperar, pero el identificador en sí no revela si el artículo es una zapatilla de running, una chaqueta pastel, una bolsa impermeable o un casco de bicicleta.
ShopX añade tokens de producto estructurados al vocabulario del modelo. Estos tokens se diseñan en torno a dos requisitos:
ShopX utiliza Qwen3-VL-Embedding-2B para codificar información del producto de múltiples fuentes:
La representación contiene:
El entrenamiento combina la supervisión de productos equivalentes con un objetivo contrastivo InfoNCE suavizado. El sistema también utiliza señales de reconstrucción para que la representación aprendida permanezca conectada con la información de categoría, atributo y descripción.
El SID final combina códigos globales y locales:
El diseño híbrido mejora la discriminación de productos.
| Métrica de diseño SID | Enfoque solo global | Enfoque global + local |
|---|---|---|
| Promedio de productos asociados a un SID | 126.5 | 13.8 |
| ROUGE de SID a descripción | 25.5 | 31.5 |
Reducir el número promedio de productos asignados al mismo SID hace que la representación sea más precisa. Al mismo tiempo, la mejora en la recuperación de descripciones sugiere que los códigos retienen información de producto más interpretable.
Esto es importante porque ShopX necesita que los SID sirvan para algo más que como claves de recuperación. El modelo debe razonar sobre ellos, compararlos, generar paquetes y conectarlos de vuelta al lenguaje del usuario.
Los modelos base son Qwen3-4B y Qwen3-8B.
Entrenar a ShopX no es simplemente cuestión de enseñar a Qwen3 a emitir nuevos tokens de producto. Si el proceso se centra demasiado en los SID, el modelo puede mejorar en la búsqueda de productos, pero perder calidad de conversación, capacidad de seguir instrucciones, extracción de perfiles, clasificación o capacidad de explicación.
Por lo tanto, la receta de entrenamiento procede en cuatro etapas.
La etapa de post-entrenamiento también consta de dos pasos: el tercer paso implica el entrenamiento de cumplimiento SFT y SFT Experto, y el cuarto paso es la optimización conjunta OPD+RL con múltiples maestros, combinando preferencias de maestros, recompensas de reglas y actualizaciones de estudiantes para generar finalmente el modelo base de comercio electrónico. Este proceso es la solución central para el entrenamiento del modelo ShopX, correspondiente al pipeline de entrenamiento de cuatro etapas mencionado en el documento.](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/72350678-1e95-4d9e-962e-648d5123ef7c-09c27f2c-4855-412d-b3d4-7f241540c536.png)
El modelo original se congela mientras se entrenan las nuevas incrustaciones de SID añadidas.
Esta etapa establece una relación bidireccional entre el texto del producto y los códigos del producto. El modelo aprende a conectar descripciones con SID antes de que comience el entrenamiento de dominio más amplio.
El estudio de ablación del documento indica que esta alineación es un paso preparatorio necesario. Omitirlo debilita el pre-entrenamiento continuo posterior.
La siguiente etapa inyecta conocimiento de comercio electrónico, incluyendo:
atributos y relaciones
Los datos de dominio general se mezclan en el conjunto de entrenamiento para reducir el olvido catastrófico. La proporción reportada es aproximadamente 2:1 entre datos de dominio y datos generales, con alrededor de 114 mil millones de tokens en total.
El ajuste fino por instrucciones convierte el conocimiento del dominio en comportamientos de compra y agente útiles.
El conjunto de datos se compone aproximadamente de:
La alta proporción de datos generales es intencional. ShopX debe seguir siendo un modelo de lenguaje capaz, en lugar de convertirse en un generador limitado de tokens de productos.
Describe tu idea una vez y We0 AI puede generar un sitio de presentacion, paginas y CMS, y ayudarte a atraer clientes y trafico tras el lanzamiento.
Una generación completa de proyectos para registro gratuito
Lo mejor para probar un flujo de generación completo y ver rápidamente el primer borrador del proyecto.
La etapa final aborda un problema que el equipo denomina el efecto de balancín.
Optimizar solo para la precisión de SID puede mejorar la recuperación, pero dañar otras capacidades. En la ablación reportada, la extracción de perfiles y la clasificación cayeron a cero después del ajuste fino exclusivo para SID.
Para evitarlo, las muestras de entrenamiento se dividen en cinco familias de tareas. Cada familia utiliza una combinación diferente de modelos profesores y señales de recompensa. El sistema mejora de forma conjunta el cumplimiento de productos, el diálogo, la comprensión de perfiles, la clasificación y la explicación, sin forzar cada capacidad a través de una única recompensa.
Los resultados de la ablación muestran que la introducción de múltiples profesores y recompensas puede restaurar y mejorar las diferentes dimensiones sin causar el mismo nivel de interferencia.
ShopX se evalúa frente a tres sistemas de agente con herramientas:
Los tres sistemas de referencia utilizan Qwen3-8B junto con el servicio de búsqueda de producción de Taobao. Este es un detalle importante: los sistemas de referencia no están conectados a un backend de recuperación débil o experimental. Utilizan un sistema maduro de búsqueda y clasificación desarrollado para un mercado que atiende a una base de usuarios muy grande.
La evaluación a nivel de marco utiliza registros anónimos de Taobao:
| Conjunto de evaluación | Número de ejemplos |
|---|---|
| Solicitudes de compra de un solo turno | 279 |
| Conversaciones de compra multiturno | 80 |
La evaluación utiliza un juzgamiento LLM basado en rúbricas en
ocho dimensiones. Cinco de las métricas más discriminativas son:
![Gráfico radial que muestra el rendimiento de cuatro sistemas—ShopX, ChatRec, RecMind e InteRecAgent—en ocho dimensiones. Las dimensiones incluyen Cumplimiento de Intención, Precisión de Artículos, Calidad de Clasificación, Cobertura de Catálogo, Personalización, Cumplimiento de Restricciones, Adaptación a Comentarios y Referencia entre Turnos. Cada dimensión cuenta con líneas de colores que representan diferentes sistemas, como ShopX en rojo sólido y ChatRec en azul.]
guiones. También se indican los rangos de puntuación para cada dimensión, por ejemplo, el Cumplimiento de la Intención varía del 55% al 75%. Este gráfico está estrechamente vinculado al contexto y presenta visualmente cómo se desempeña cada sistema en las distintas dimensiones.](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/9dd02e71-85ce-417d-bed7-cb1c9a39886b-6f3a4768-a10e-40fb-b5e1-b1227fe9b047.png)
| Sistema | Cumplimiento de la Intención | Precisión de Artículos | Fundamentación de Restricciones | Adaptación a Retroalimentación | Referencia entre Turnos |
|---|---|---|---|---|---|
| ShopX-8B | 69.2 | 95.0 | 76.4 | 71.5 | 68.3 |
| Chat-REC | 72.2 | 94.0 | 74.8 | 59.8 | 47.5 |
| RecMind | 63.6 | 91.2 | 75.6 | 62.9 | 42.1 |
ShopX está ligeramente por detrás de Chat-REC en el Cumplimiento de la Intención en un solo turno: 69.2 frente a 72.2. Esto muestra que un agente mediado por herramientas con un potente backend de búsqueda de producción sigue siendo competitivo en solicitudes directas.
La mayor ventaja aparece en la interacción con estado:
Estos son precisamente los escenarios en los que la pérdida de interfaz tiende a acumularse. Cuando el usuario añade retroalimentación, hace referencia a productos anteriores o mantiene varias restricciones suaves activas, el cumplimiento nativo del modelo preserva más del estado de compra original.
En comparación con el modelo base Qwen3-8B, ShopX mejora varias habilidades específicas para compras.
| Capacidad | Qwen3-8B | ShopX | Cambio |
|---|---|---|---|
| Razonamiento de relaciones de productos | 28.3 | 49.7 | +21.4 |
| Extracción de evidencia de secuencia de comportamiento | 16.1 | 52.7 | +36.6 |
| Extracción de evidencia de perfil | 52.9 | 76.9 | +24.0 |
| Recuperación de descripción de producto desde SID | 10.1 | 33.2 | +23.1 |
El modelo también conserva o mejora varias capacidades generales:
| Punto de Referencia | Puntuación de ShopX | Cambio respecto a Qwen3-8B |
|---|---|---|
| BBH | 74.1 | +0.9 |
| CMMLU | 75.8 | +1.6 |
| GSM8K | 88.6 | +0.4 |
| MBPP+ | 83.1 | +8.0 |
Algunos puntos de referencia generales difíciles disminuyen:
| Punto de Referencia | Puntuación de ShopX | Cambio respecto a Qwen3-8B |
|---|---|---|
| IFEval | 78.4 | -3.5 |
| MMLU-Pro | 59.3 | -3.6 |
| MATH-500 | 59.6 | -16.6 |
| GPQA-Diamond | 41.4 | -6.1 |
Los resultados sugieren que la especialización en un dominio no es gratuita. ShopX obtiene grandes mejoras en la comprensión de productos y evidencia
在复杂的数学、科学和高指令任务中，提取功能会牺牲部分性能。
对于购物模型来说，这可能是一个可接受的权衡，但它仍然是一个重要的部署考量因素。
源报告通过并排示例比较了ShopX与基于工具的基线方案。
用户同时请求购买一顶女式自行车头盔和骑行手套。
传统智能体可能会专注于主要产品类别，检索多款头盔，而对手套的覆盖则不够充分。每个搜索结果可能单独相关，但完整的购物请求仅得到部分满足。
ShopX能够跨类别规划，为每个类别检索产品，并在一次互动中返回协调一致的捆绑包。
该案例展现了一个重要区别：
一系列出色的头盔并不能满足头盔与手套捆绑包的请求。
在第二个案例中，用户正在寻找汽车内饰的装饰品。
在多轮对话中，用户添加了风格偏好，并根据先前的推荐要求进行更改。基于工具的智能体反复将最新的请求解读为全新搜索，最终偏离了最初汽车内饰的上下文。
ShopX则保持活跃状态。它保留先前确定的场景和已接受的偏好，然后根据新的反馈更新推荐。
entre los dos en el manejo de diálogos de compras de múltiples turnos.](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/06c6d08d-4595-450e-bdb8-8cab6d987e98-c3787787-63cf-479d-8141-33525a0e0db4.png)
El objetivo no es repetir los mismos productos para siempre. Se trata de distinguir entre restricciones que deben permanecer estables y detalles que el usuario ha cambiado explícitamente.
ShopX refleja un cambio más amplio en el comercio con IA.
La primera generación de asistentes de compras añadía principalmente interfaces de lenguaje natural a los sistemas de búsqueda existentes. El modelo de lenguaje explicaba, resumía y llamaba a herramientas, mientras que la lógica central de recuperación permanecía fuera del modelo.
ShopX integra más procesos de cumplimiento directamente en el modelo.
Este diseño tiene varias ventajas potenciales:
Esto también trae nuevos requisitos de ingeniería.
Un sistema de producción aún necesita:
ShopX resuelve el problema desde la intención hasta el producto. No maneja por sí mismo pagos, liquidaciones, logística, devoluciones, crédito del vendedor ni otras capas del comercio con agentes.
La investigación proviene de la colaboración de varios equipos, incluyendo la organización de búsqueda con IA de Taobao y Tmall, el equipo de recomendaciones y comprensión de contenido, el Token Foundry de Alibaba, y el equipo de aprendizaje por refuerzo ROLL.
Sus áreas de investigación más amplias incluyen:
El artículo fue enviado a arXiv el 30 de junio de 2026, con el título “ShopX: Un modelo fundamental para el cumplimiento de intención a producto en compras con agentes.”
ShopX es un modelo fundamental para comercio electrónico, diseñado específicamente para el cumplimiento nativo del modelo desde la intención hasta el producto. Integra comprensión de intenciones, planificación, recuperación de productos, clasificación, recomendaciones combinadas, comparación y actualización de estado en múltiples turnos dentro de un marco de compras.
Ocurre cuando una solicitud de compra detallada en lenguaje natural se comprime en consultas, filtros o llamadas a herramientas limitados. Las restricciones suaves, relaciones entre productos, preferencias tempranas y contexto de escenario pueden debilitarse o perderse durante la transición.
Un ID semántico es una secuencia estructurada de tokens que representa un producto dentro del vocabulario del modelo de lenguaje. El SID diseñado por ShopX conserva semántica útil del producto, mientras es adecuado para generación autorregresiva y operaciones en el espacio de productos.
El artículo describe variantes de ShopX basadas en Qwen3-4B y Qwen3-8B. Qwen3 proporciona capacidades generales de lenguaje, razonamiento, diálogo y agente adaptadas para el cumplimiento en comercio electrónico.
Depende de la tarea. En el cumplimiento de intención en un solo turno, Chat-REC supera ligeramente a ShopX, pero en adaptación a retroalimentación y referencia de productos entre turnos, ShopX se desempeña mejor. Su mayor fortaleza se manifiesta en diálogos complejos con estado.
Sí. El marco admite sugerencias de paquetes y composición entre categorías. El artículo incluye un ejemplo en el que el modelo cumple una solicitud de casco de ciclismo y guantes de montar en un solo turno.
El artículo de investigación está disponible públicamente en arXiv. Las fuentes oficiales revisadas no proporcionan un punto de control público del modelo ShopX ni un repositorio dedicado del código fuente de ShopX, por lo que no se incluye un enlace de descarga aquí.
El artículo se centra en el cumplimiento de intención a producto: planificación, recuperación, clasificación, composición y fundamentación de recomendaciones de productos. El pago, la facturación, la logística y la ejecución posventa son capas separadas del sistema.
interfaz oficial para explorar la familia más amplia de modelos Qwen.
ShopX está diseñado para cerrar la brecha entre lo que un modelo de lenguaje comprende y lo que un sistema de comercio electrónico puede realmente ejecutar. Proporciona al modelo un lenguaje nativo de productos a través de identificadores semánticos y combina planificación, recuperación, clasificación, agrupación, fundamentación y actualización de estados en un solo marco.
La evaluación muestra que los sistemas sólidos mediados por herramientas siguen siendo competitivos para solicitudes directas de un solo turno. La ventaja más clara de ShopX aparece cuando el proceso de compra se vuelve conversacional: los usuarios brindan comentarios, hacen referencia a productos anteriores y esperan que el escenario original permanezca activo.
Sus resultados también muestran el costo de la especialización. Las capacidades específicas para compras mejoran sustancialmente, mientras que algunos puntos de referencia difíciles de razonamiento general y matemáticas disminuyen.
**La contribución central de ShopX no es simplemente una mejor búsqueda de productos; es una arquitectura de modelo que trata las compras como un proceso continuo de intención a artículo.
Empieza con una sola frase y obtén un sitio completo en minutos.
