Introducción
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.
Antecedentes: Por Qué las Compras Mediadas por Herramientas Pierden Contexto
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:
- Interprete una situación del mundo real
- Equilibre varias restricciones blandas
- Recuerde preferencias de interacciones anteriores
- Compare alternativas
- Ensamble artículos complementarios
- Ajuste solo una parte de una recomendación existente
- Explique por qué el conjunto final se ajusta a la solicitud
Un sistema mediado por herramientas típicamente separa este proceso en múltiples etapas:
- El modelo de lenguaje interpreta la solicitud.
- Reescribe la intención como una consulta de búsqueda.
- Un servicio de recuperación produce candidatos.
- Un sistema de clasificación
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: Un Marco de Cumplimiento Nativo del Modelo
ShopX combina un modelo fundamental central con un ligero arnés de servicio.
El modelo sigue un bucle de interacción de cuatro pasos:
- Planificar — interpretar la intención del usuario y determinar qué operaciones en el espacio de productos se necesitan.
- Ejecutar — realizar operaciones de recuperación, clasificación, comparación, expansión o agrupación.
- Cumplir — devolver productos fundamentados junto con una respuesta en lenguaje natural.
- Actualizar — almacenar nuevos estados, elementos aceptados y cambios de preferencias para el siguiente turno.
El arnés de servicio expone tres superficies de soporte principales:
- Acceso al contexto para perfiles de usuario, historial y señales de comportamiento relevantes
- Fundamentación del catálogo para mapear IDs semánticos de vuelta a productos reales
- Gestión de estado para preservar elecciones y restricciones a través de los turnos
Tres Modos de Cumplimiento
El marco soporta tres patrones generales de compra.
Cumplimiento de Intención a Producto
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.
Personalización Aumentada por Contexto
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.
Cumplimiento conversacional con estado
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.
Operaciones en el espacio de productos
ShopX no se limita a producir una secuencia de identificadores de producto. El artículo describe un conjunto más amplio de operaciones:
- Búsqueda por haz de IDs semánticos
- Clasificación por lista
- Expansión a partir de un producto semilla
- Recuperación de productos similares y sustitutos
- Agrupación de productos complementarios
- Composición de conjuntos o equipos entre categorías
- Comparación de productos
- Respuestas intercaladas de texto y productos
- Preguntas de aclaración
- Actualizaciones de preferencias y estado
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.
IDs Semánticos: Enseñar al modelo un lenguaje de productos
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:
- Recuperabilidad: el SID debe conservar suficiente información para inferir semántica útil del producto, como categoría, atributos y estilo.
- Operabilidad: la representación debe funcionar de forma natural con la generación autorregresiva, permitiendo al modelo recuperar y manipular productos a través de secuencias de tokens.
Etapa 1: Representación multimodal del producto
ShopX utiliza Qwen3-VL-Embedding-2B para codificar información del producto de múltiples fuentes:
- Imágenes del producto
- Títulos
- Atributos estructurados
La representación contiene:
- Un vector global para un enrutamiento general y una identidad de alto nivel
- Varios vectores locales para propiedades detalladas
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.
Etapa 2: Cuantificación híbrida con libro de códigos
El SID final combina códigos globales y locales:
- Un prefijo global de dos niveles basado en cuantificación residual proporciona un enrutamiento estable.
- Un sufijo local de cuatro niveles añade distinciones semánticas más detalladas.
- Cada libro de códigos contiene 8,192 entradas.
- El vocabulario del modelo incorpora aproximadamente 50,000 nuevos tokens SID.
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.
Entrenamiento en Cuatro Etapas: Más Allá de la Predicción de SID
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)
Etapa 1: Alineación de SID
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.
Etapa 2: Pre-entrenamiento Continuo de Dominio
La siguiente etapa inyecta conocimiento de comercio electrónico, incluyendo:
- Relaciones catálogo a SID
- Mapeos de intención a artículo
- Señales de comportamiento a artículo
- Comprensión de preferencias del usuario
- Producto
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.
Etapa 3: Ajuste fino por instrucciones
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:
- 75% de datos de instrucciones generales, que cubren seguimiento de instrucciones, diálogo multiturno, uso de herramientas, matemáticas y programación
- 25% de datos de comercio electrónico, que abarcan cumplimiento nativo de SID, comprensión de contexto y conversaciones de compras
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.
Etapa 4: Destilación en línea con múltiples profesores y aprendizaje por refuerzo
Crea un sitio de presentacion y capta leads en minutos
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.
Resultados experimentales
ShopX se evalúa frente a tres sistemas de agente con herramientas:
- Chat-REC
- RecMind
- InteRecAgent
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.
Datos de evaluación
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:
- Cumplimiento de intención: si la solicitud se convierte en un resultado de producto satisfactorio
- Precisión de artículos: si los productos coinciden con las categorías solicitadas
- Cumplimiento de restricciones: si se siguen los requisitos explícitos
- Adaptación a comentarios: si los comentarios posteriores cambian el resultado sin perder las preferencias aceptadas
- Referencia entre turnos: si las referencias a productos anteriores se resuelven correctamente
![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)
Resultados Clave del Marco
| 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:
- La Adaptación a Retroalimentación es 11.7 puntos más alta que Chat-REC.
- La Referencia entre Turnos es 20.8 puntos más alta que Chat-REC.
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.
Análisis a Nivel de Capacidad
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。
案例分析
源报告通过并排示例比较了ShopX与基于工具的基线方案。
案例1：单轮捆绑订单履行
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：
- 产品相关性 询问每个产品是否单独合适。
- 意图满足 询问整个方案是否解决了用户的购物任务。
一系列出色的头盔并不能满足头盔与手套捆绑包的请求。
案例2：有状态的多轮购物
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.
Por qué ShopX es importante para el comercio con agentes
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:
- Las intenciones ricas no necesitan comprimirse en una sola consulta.
- Las relaciones entre productos pueden manejarse como parte de la planificación.
- Se pueden generar recomendaciones combinadas a través de categorías.
- La retroalimentación del usuario puede actualizar el estado persistente.
- Se puede hacer referencia directa a resultados de recomendaciones anteriores.
- A través del mapeo SID, las respuestas siguen basándose en catálogos de productos reales.
Esto también trae nuevos requisitos de ingeniería.
Un sistema de producción aún necesita:
- Sincronización fiable del catálogo
- Verificación de inventario y disponibilidad
- Actualización de precios en tiempo real
- Controles de políticas y seguridad
- Evaluación basada en resultados reales de usuarios
- Protección de perfiles de usuario y datos de comportamiento
- Monitoreo de errores en la colocación de productos
- Distinción clara entre recomendaciones y permisos de transacción
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.
Equipo y antecedentes de la investigación
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:
- Búsqueda con IA y compras con agentes
- Comprensión de intenciones en lenguaje natural
- Clarificación y cumplimiento en múltiples turnos
- Recomendaciones generativas
- IDs semánticos para productos y contenido multimodal
- Aprendizaje de representaciones multimodales
- Aprendizaje por refuerzo a gran escala para agentes de compras
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.”
Preguntas frecuentes
¿Qué es ShopX?
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.
¿Qué es la pérdida de interfaz en las compras con IA?
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.
¿Qué son los IDs semánticos en ShopX?
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.
¿Qué modelo base utiliza ShopX?
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.
¿Es ShopX mejor que los agentes de compras tradicionales basados en búsqueda?
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.
¿Puede ShopX recomendar múltiples categorías de productos juntas?
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.
¿Están disponibles públicamente el modelo o el código fuente de ShopX?
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.
¿Realiza compras ShopX?
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.
Herramientas relacionadas
- Qwen3: La familia de modelos fundamentales de pesos abiertos utilizada como base para las variantes ShopX 4B y 8B.
- Qwen3-VL-Embedding-2B: El modelo de incrustación multimodal utilizado para codificar imágenes, títulos y atributos de productos.
- Qwen3-VL-Embedding GitHub: Código oficial y ejemplos de uso para los modelos de incrustación y reordenamiento multimodal de Qwen.
- ROLL: El marco de aprendizaje por refuerzo de Alibaba para modelos de lenguaje grandes y entrenamiento de agentes en múltiples turnos.
- Qwen Chat: El
interfaz oficial para explorar la familia más amplia de modelos Qwen.
Enlaces relacionados
- Artículo de ShopX en arXiv: El resumen oficial del artículo, autores, historial de envío y acceso al PDF.
- PDF del artículo de ShopX: El artículo técnico completo con arquitectura, entrenamiento, evaluación y casos de estudio.
- DOI de ShopX: El registro DOI persistente del artículo.
- Resumen técnico de Qwen3: Introducción oficial a la familia de modelos Qwen3 utilizados como base de ShopX.
- Repositorio de GitHub de Qwen3: Información oficial del modelo, pesos y recursos de implementación.
- Ficha del modelo Qwen3-VL-Embedding-2B: Especificaciones oficiales y ejemplos para el modelo de codificación de productos.
- Repositorio de GitHub de ROLL: Infraestructura oficial de aprendizaje por refuerzo de Alibaba.
Resumen
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.
