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/fr/articles/shopx-explained-model-native-intent-to.md.
Le shopping s'éloigne des requêtes courtes par mots-clés pour évoluer vers des expressions complètes d'intention. Au lieu de taper "chaussur...
Le shopping évolue des courtes requêtes par mots-clés vers des expressions d'intention complètes.
Au lieu de taper "chaussures de sport imperméables", un utilisateur peut décrire une situation entière :
"Je vais dans un parc d'attractions ce week-end. Je veux une tenue qui rende bien en photo, reste confortable après une journée entière de marche et puisse résister à une petite pluie."
Cette requête contient bien plus qu'une catégorie de produit. Elle inclut une destination, une préférence visuelle, une condition météorologique, un besoin de confort et un besoin implicite de plusieurs articles qui fonctionnent ensemble.
La difficulté augmente au tour suivant :
"J'aime ces chaussures. Montre-moi des options similaires, mais plus souples."
Un système utile doit se souvenir à quelles chaussures "ces" se réfère, pourquoi l'utilisateur les a aimées et si le remplacement convient toujours au scénario original du parc d'attractions.
De nombreux systèmes de shopping IA actuels utilisent un grand modèle de langage pour comprendre la requête, puis transmettent une requête compressée à un pipeline externe de recherche et de classement. Dans cette transmission, une requête riche peut se réduire à quelques mots-clés et filtres. L'équipe ShopX décrit ce problème comme une perte d'interface.
ShopX est conçu pour réduire cette perte en donnant au modèle un moyen direct et structuré de travailler à l'intérieur du catalogue de produits. Plutôt que d'agir uniquement comme une couche conversationnelle autour des outils de recherche, le modèle peut planifier, récupérer, classer, comparer, regrouper, expliquer et mettre à jour l'état via des représentations natives des produits.
Les systèmes de commerce électronique traditionnels sont hautement optimisés pour la récupération et le classement. Ils fonctionnent bien lorsque la requête peut être représentée comme une requête, un ensemble de filtres ou une cible au niveau d'une catégorie.
Le shopping agentique crée un problème différent.
L'utilisateur ne demande plus un seul résultat de recherche. Il peut demander au système de :
Un pipeline via des outils sépare généralement ce processus en plusieurs étapes :
ordonne les candidats.
5. Le modèle convertit les résultats en une réponse conversationnelle.
Chaque étape peut être solide en elle-même, mais les interfaces entre elles sont étroites. Un compromis nuancé tel que « suffisamment confortable pour une marche toute la journée, mais visuellement distinctif » risque de ne pas survivre à un filtre conventionnel. Une relation comme « similaire à la chaussure précédente, mais plus souple » peut être réduite à une simple similarité générique.
Le problème devient plus visible sur plusieurs tours. Si chaque tour
Lancer une nouvelle recherche peut amener le système à perdre des produits précédemment acceptés, les contraintes originales du scénario ou le raisonnement derrière les retours de l’utilisateur.
ShopX part d’une hypothèse différente : le modèle doit opérer directement dans un espace produit structuré, plutôt que de traduire continuellement sa compréhension en commandes de recherche externes.
ShopX combine un modèle de fondation central avec un harnais de service léger.
Le modèle suit une boucle d’interaction en quatre étapes :
Le harnais de service expose trois surfaces de support principales :
Le cadre prend en charge trois grands schémas d’achat.
Pour une demande d’achat claire, ShopX traduit l’intention complète directement en un ensemble fondé de produits.
Cela peut impliquer plus que la récupération d’une seule catégorie. Une demande pour un équipement complet de cyclisme pourrait nécessiter des casques, des gants et d’autres produits complémentaires en un résultat coordonné.
Lorsque la demande est vague, le modèle utilise le profil et le contexte comportemental pour déduire ce qui est important.
Par exemple, « Trouve quelque chose de convenable pour mon trajet domicile-travail » peut nécessiter des indices sur la météo, le voyage
méthode, style préféré, achats antérieurs et sensibilité au prix.
Lorsque l'utilisateur modifie une recommandation précédente, ShopX met à jour l'état actif du shopping plutôt que d'abandonner l'intégralité du plan.
Cela permet au système de conserver les produits acceptés et les contraintes antérieures tout en ne modifiant que la partie affectée par le nouveau retour.
ShopX ne se limite pas à produire une séquence d'identifiants de produits. L'article décrit un ensemble plus large d'opérations :
L'objectif est de rendre le modèle responsable du parcours complet, de l'intention de l'utilisateur jusqu'à un résultat utilisable et ancré dans le catalogue.
Un élément central de ShopX est l'ID sémantique, ou SID.
Un identifiant de base de données standard a peu de signification. Il indique au système quel enregistrement récupérer, mais l'identifiant lui-même ne révèle pas si l'article est une chaussure de course, une veste pastel, un sac imperméable ou un casque de vélo.
ShopX ajoute des tokens de produit structurés au vocabulaire du modèle. Ces tokens sont conçus autour de deux exigences :
ShopX utilise Qwen3-VL-Embedding-2B pour encoder les informations produit provenant de multiples sources :
La représentation contient :
L'entraînement combine une supervision par paires de produits équivalents avec un objectif contrastif InfoNCE assoupli. Le système utilise également des signaux de reconstruction afin que la représentation apprise reste liée aux informations de catégorie, d'attribut et de description.
Le SID final combine des codes globaux et locaux :
La conception hybride améliore la discrimination des produits.
| Métrique de conception SID | Approche uniquement globale | Approche globale + locale |
|---|---|---|
| Nombre moyen de produits attachés à un SID | 126,5 | 13,8 |
| ROUGE de description vers SID | 25,5 | 31,5 |
Réduire le nombre moyen de produits mappés au même SID rend la représentation plus précise. Parallèlement, l'amélioration de la récupération des descriptions suggère que les codes conservent davantage d'informations interprétables sur les produits.
C'est important car ShopX a besoin que les SID servent à plus que de simples clés de récupération. Le modèle doit raisonner sur eux, les comparer, générer des lots et les relier au langage utilisateur.
Les modèles de base sont Qwen3-4B et Qwen3-8B.
Former ShopX ne consiste pas simplement à apprendre à Qwen3 à émettre de nouveaux tokens de produit. Si le processus se concentre trop sur les SID, le modèle peut s'améliorer pour trouver des produits tout en perdant en qualité conversationnelle, en respect des instructions, en extraction de profil, en classement ou en capacité d'explication.
La recette d'entraînement se déroule donc en quatre étapes.
La phase de post-entraînement comprend également deux étapes : la troisième étape implique la réalisation de SFT et l'entraînement SFT expert, et la quatrième étape est l'optimisation conjointe OPD+RL multi-enseignants, combinant les préférences des enseignants, les récompenses de règles et les mises à jour des étudiants pour générer finalement le modèle de fondation du commerce électronique. Ce processus est la solution principale pour l'entraînement du modèle ShopX, correspondant au pipeline d'entraînement en quatre étapes mentionné dans le document.](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/72350678-1e95-4d9e-962e-648d5123ef7c-09c27f2c-4855-412d-b3d4-7f241540c536.png)
Le modèle original est gelé tandis que les nouvelles intégrations SID ajoutées sont entraînées.
Cette étape établit une relation bidirectionnelle entre le texte du produit et les codes produit. Le modèle apprend à associer les descriptions aux SID avant que l'entraînement plus large de domaine ne commence.
L'étude d'ablation du document indique que cet alignement est une étape préparatoire nécessaire. L'ignorer affaiblit le pré-entraînement continu ultérieur.
L'étape suivante injecte des connaissances en commerce électronique, notamment :
attributs et relations
Des données générales sont mélangées à l'ensemble d'entraînement afin de réduire l'oubli catastrophique. Le ratio rapporté est d'environ 2:1 entre les données de domaine et les données générales, pour un total d'environ 114 milliards de tokens.
L'ajustement par instructions convertit les connaissances du domaine en comportements d'achat et d'agent utilisables.
L'ensemble de données se compose approximativement de :
La part élevée de données générales est intentionnelle. ShopX doit rester un modèle de langage compétent plutôt que de devenir un générateur étroit de jetons de produits.
Decrivez votre idee une fois, et We0 AI peut generer un site vitrine, des pages et un CMS, puis vous aider a attirer clients et trafic apres le lancement.
Une génération de projet complète pour une inscription gratuite
Idéal pour essayer un flux de génération complet et voir rapidement une première ébauche de projet.
La dernière étape aborde un problème que l'équipe appelle l'effet de bascule.
Optimiser uniquement la précision des SID peut améliorer la récupération tout en nuisant à d'autres capacités. Dans l'ablation rapportée, l'extraction de profils et le classement sont tombés à zéro après un ajustement exclusif sur les SID.
Pour éviter cela, les échantillons d'apprentissage sont répartis en cinq familles de tâches. Chaque famille utilise une combinaison différente de modèles enseignants et de signaux de récompense. Le système améliore conjointement la satisfaction des produits, le dialogue, la compréhension des profils, le classement et l'explication sans forcer chaque capacité à passer par une seule récompense.
Les résultats de l'ablation montrent que l'introduction de plusieurs enseignants et récompenses peut restaurer et améliorer les différentes dimensions sans provoquer le même niveau d'interférence.
ShopX est évalué par rapport à trois systèmes d'agents utilisant des outils :
Les trois bases de référence utilisent Qwen3-8B avec le service de recherche de production de Taobao. Il s'agit d'un détail important : les bases de référence ne sont pas connectées à un backend de recherche faible ou expérimental. Elles utilisent un système mature de recherche et de classement développé pour une place de marché servant une très large base d'utilisateurs.
L'évaluation au niveau du cadre utilise des journaux anonymisés de Taobao :
| Ensemble d'évaluation | Nombre d'exemples |
|---|---|
| Demandes d'achat en un tour | 279 |
| Conversations d'achat multi-tours | 80 |
L'évaluation utilise un jugement par LLM basé sur des grilles d'évaluation sur
huit dimensions. Cinq des métriques les plus discriminantes sont :
![Graphique radar montrant les performances de quatre systèmes—ShopX, ChatRec, RecMind et InteRecAgent—sur huit dimensions. Les dimensions incluent la Satisfaction de l'intention, la Précision des articles, la Qualité du classement, la Couverture du catalogue, la Personnalisation, le Respect des contraintes, l'Adaptation aux retours et la Référence inter-tour. Chaque dimension présente des lignes colorées représentant les différents systèmes, comme ShopX en rouge uni et ChatRec en bleu.]
tirets. Les plages de scores pour chaque dimension sont également indiquées, par exemple, la réalisation de l'intention varie de 55 % à 75 %. Ce tableau est étroitement lié au contexte et présente visuellement les performances de chaque système dans les différentes dimensions.](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/9dd02e71-85ce-417d-bed7-cb1c9a39886b-6f3a4768-a10e-40fb-b5e1-b1227fe9b047.png)
| Système | Réalisation de l'intention | Précision des articles | Respect des contraintes | Adaptation au retour d'information | Référence inter-tour |
|---|---|---|---|---|---|
| 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 est légèrement en retard sur Chat-REC en matière de réalisation de l'intention en un seul tour : 69,2 contre 72,2. Cela montre qu'un agent médié par des outils avec un puissant moteur de recherche en production reste compétitif pour les demandes directes.
L'avantage le plus important apparaît dans l'interaction avec état :
Ce sont précisément les scénarios dans lesquels la perte d'interface a tendance à s'accumuler. Lorsque l'utilisateur ajoute un retour, fait référence à des produits antérieurs ou maintient plusieurs contraintes souples actives, la réalisation native du modèle préserve davantage l'état d'achat d'origine.
Comparé au modèle de base Qwen3-8B, ShopX améliore plusieurs capacités spécifiques aux achats.
| Capacité | Qwen3-8B | ShopX | Changement |
|---|---|---|---|
| Raisonnement sur les relations entre produits | 28,3 | 49,7 | +21,4 |
| Extraction de preuves à partir de séquences comportementales | 16,1 | 52,7 | +36,6 |
| Extraction de preuves à partir de profils | 52,9 | 76,9 | +24,0 |
| Récupération de la description du produit à partir du SID | 10,1 | 33,2 | +23,1 |
Le modèle conserve ou améliore également plusieurs capacités générales :
| Référence | Score ShopX | Changement par rapport à Qwen3-8B |
|---|---|---|
| BBH | 74,1 | +0,9 |
| CMMLU | 75,8 | +1,6 |
| GSM8K | 88,6 | +0,4 |
| MBPP+ | 83,1 | +8,0 |
Certaines références générales difficiles diminuent :
| Référence | Score ShopX | Changement par rapport à 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 |
Les résultats suggèrent que la spécialisation dans un domaine n'est pas sans coût. ShopX obtient des améliorations importantes dans la compréhension des produits et l'extraction de preuves.
在某些困难的数学、科学和指令密集型任务中，在牺牲一定性能的情况下进行提取。
对于购物模型而言，这可能是一种可接受的权衡，但这仍是一个重要的部署考量因素。
源报告包含了将ShopX与基于工具的基线进行对比的并列示例。
用户同时要求购买一款女士骑行头盔和骑行手套。
传统智能体可能会专注于主要商品类别，检索多款头盔，却对手套覆盖不足。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则跨类别规划，为每个类别检索商品，并在单轮中返回一个协调搭配的捆绑包。
该案例展示了一个重要区别：
列出一系列优秀的头盔并不能满足用户对“头盔+手套”捆绑包的需求。
在第二个案例中，用户正在为汽车内饰寻找装饰品。
在几轮对话中，用户添加了风格偏好，并基于之前的推荐要求进行修改。一个基于工具的智能体反复将最新请求解读为一次全新搜索，最终偏离了最初的汽车内饰场景。
ShopX则保持活跃状态。它会保留先前确立的场景和已接受的偏好，然后根据新反馈更新推荐。
entre les deux dans la gestion des dialogues d'achat multi-tours.](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/06c6d08d-4595-450e-bdb8-8cab6d987e98-c3787787-63cf-479d-8141-33525a0e0db4.png)
L'objectif n'est pas de répéter indéfiniment les mêmes produits. Il s'agit de distinguer les contraintes qui doivent rester stables des détails que l'utilisateur a explicitement modifiés.
ShopX reflète une évolution plus large dans le commerce basé sur l'IA.
La première génération d'assistants d'achat ajoutait principalement des interfaces en langage naturel aux systèmes de recherche existants. Le modèle de langage expliquait, résumait et appelait des outils, tandis que la logique centrale de récupération restait en dehors du modèle.
ShopX intègre davantage de flux d'exécution directement dans le modèle lui-même.
Cette conception présente plusieurs avantages potentiels :
Cela implique également de nouvelles exigences techniques.
Un système de production doit encore assurer :
ShopX résout le problème du passage de l'intention à l'article. Il ne gère pas en lui-même les paiements, le règlement, la logistique, les retours, le crédit des marchands ou les autres niveaux du commerce agentique.
Cette recherche est le fruit d'une collaboration entre plusieurs équipes, notamment l'organisation de recherche IA de Taobao et Tmall, les équipes Recommandation et Compréhension de contenu, la Token Foundry d'Alibaba et l'équipe d'apprentissage par renforcement ROLL.
Leurs domaines de recherche plus larges incluent :
L'article a été soumis à arXiv le 30 juin 2026, sous le titre « ShopX : Un modèle fondamental pour l'exécution de l'intention à l'article dans les achats agentiques. »
ShopX est un modèle fondamental pour le commerce électronique, conçu spécifiquement pour l'exécution native de l'intention à l'article. Il intègre la compréhension de l'intention, la planification, la récupération de produits, le classement, la recommandation combinée, la comparaison et la mise à jour d'état multi-tours dans un cadre d'achat unifié.
Une perte d'interface se produit lorsqu'une demande d'achat détaillée en langage naturel est compressée en requêtes, filtres ou appels d'outils limités. Les contraintes souples, les relations entre produits, les préférences antérieures et le contexte situationnel peuvent être affaiblis ou perdus lors des transitions.
Un identifiant sémantique est une séquence structurée de tokens représentant un produit dans le vocabulaire du modèle de langage. Les SID conçus par ShopX conservent une sémantique utile du produit tout en étant adaptés à la génération autorégressive et aux opérations dans l'espace produit.
L'article décrit des variantes de ShopX basées sur Qwen3-4B et Qwen3-8B. Qwen3 offre des capacités générales de langage, de raisonnement, de dialogue et d'agent, adaptées à l'exécution du commerce électronique.
Cela dépend de la tâche. Pour l'exécution d'intention en un seul tour, Chat-REC est légèrement meilleur que ShopX, mais ShopX excelle dans l'adaptation aux retours et le référencement de produits entre les tours. Sa force la plus grande réside dans les dialogues complexes et avec état.
Oui. Le framework prend en charge la suggestion de lots et la composition entre catégories. L'article inclut un exemple où le modèle répond à une demande pour à la fois un casque de cyclisme et des gants de conduite en un seul tour.
L'article de recherche est disponible publiquement sur arXiv. Les sources officielles examinées ne fournissent ni un point de contrôle de modèle ShopX public ni un dépôt de code source dédié, donc aucun lien de téléchargement n'est inclus ici.
L'article se concentre sur l'exécution de l'intention à l'article : planification, récupération, classement, composition et ancrage des recommandations de produits. Le paiement, le règlement, la logistique et l'exécution après-vente sont des couches système distinctes.
Interface officielle pour explorer la famille de modèles Qwen au sens large.
ShopX est conçu pour combler l’écart entre ce qu’un modèle de langage comprend et ce qu’un système de commerce électronique peut réellement exécuter. Il confère au modèle un langage natif des produits grâce aux identifiants sémantiques et combine en un seul cadre la planification, la recherche, le classement, le groupement, l’ancrage et la mise à jour d’état.
L’évaluation montre que les systèmes fortement médiés par des outils restent compétitifs pour les requêtes directes en un tour. L’avantage plus marqué de ShopX apparaît lorsque le processus d’achat devient conversationnel : les utilisateurs fournissent des commentaires, se réfèrent à des produits précédents et s’attendent à ce que le scénario original reste actif.
Ses résultats montrent également le coût de la spécialisation. Les capacités spécifiques au shopping s’améliorent considérablement, tandis que certains critères de raisonnement général et de mathématiques difficiles déclinent.
La contribution centrale de ShopX n’est pas simplement une meilleure recherche de produits ; c’est une architecture de modèle qui traite le shopping comme un processus continu de passage de l’intention à l’article.
Partez d’une phrase et obtenez un site complet en quelques minutes.
