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/pt/articles/shopx-explained-model-native-intent-to.md.
As compras estão se afastando de consultas curtas por palavras-chave e se dirigindo a expressões completas de intenção. Em vez de digitar "t...
As compras estão deixando de ser baseadas em consultas curtas por palavras-chave para se tornarem expressões completas de intenção.
Em vez de digitar "tênis impermeáveis", um usuário pode descrever uma situação inteira:
"Vou a um parque temático neste fim de semana. Quero uma roupa que fique bem nas fotos, seja confortável depois de um dia inteiro caminhando e aguente uma chuva leve."
Essa solicitação contém muito mais do que uma categoria de produto. Inclui um destino, preferência visual, condição climática, exigência de conforto e uma necessidade implícita de vários itens que funcionem juntos.
A dificuldade aumenta na próxima interação:
"Gostei desses sapatos. Mostre opções semelhantes, mas que sejam mais macios."
Um sistema útil precisa lembrar a quais sapatos "esses" se refere, por que o usuário gostou deles e se a substituição ainda se encaixa no cenário original do parque temático.
Muitos sistemas atuais de compras por IA usam um grande modelo de linguagem para entender a solicitação e, em seguida, passam uma consulta comprimida para um pipeline externo de busca e ranqueamento. Nessa transferência, uma solicitação rica pode ser reduzida a algumas palavras-chave e filtros. A equipe ShopX descreve esse problema como perda de interface.
O ShopX foi projetado para reduzir essa perda, dando ao modelo uma maneira direta e estruturada de trabalhar dentro do catálogo de produtos. Em vez de atuar apenas como uma camada conversacional em torno de ferramentas de busca, o modelo pode planejar, recuperar, ranquear, comparar, agrupar, explicar e atualizar o estado por meio de representações nativas do produto.
Os sistemas tradicionais de comércio eletrônico são altamente otimizados para recuperação e ranqueamento. Eles funcionam bem quando a solicitação pode ser representada como uma consulta, um conjunto de filtros ou um alvo de categoria.
As compras orientadas por agente criam um problema diferente.
O usuário não está mais pedindo apenas um resultado de busca. Pode estar solicitando que o sistema:
Um pipeline mediado por ferramentas normalmente separa esse processo em várias etapas:
ordena os candidatos.
5. O modelo converte os resultados em uma resposta conversacional.
Cada etapa pode ser forte por si só, mas as interfaces entre elas são estreitas. Uma compensação sutil, como "confortável o suficiente para caminhar o dia todo, mas ainda visualmente distinto", pode não sobreviver como um filtro convencional. Uma relação como "semelhante ao calçado anterior, mas mais macio" pode ser reduzida a uma similaridade genérica.
O problema torna-se mais visível ao longo de múltiplas interações. Se cada interação começar uma nova busca, o sistema pode perder produtos previamente aceitos, as restrições originais do cenário ou o raciocínio por trás do feedback do usuário.
A ShopX parte de uma premissa diferente: o modelo deve operar diretamente dentro de um espaço de produtos estruturado, em vez de traduzir continuamente seu entendimento em comandos de busca externos.
A ShopX combina um modelo central de base com uma estrutura de serviço leve.
O modelo segue um loop de interação de quatro etapas:
A estrutura de serviço expõe três superfícies de suporte principais:
O framework suporta três padrões amplos de compra.
Para um pedido de compra claro, a ShopX traduz a intenção completa diretamente em um conjunto fundamentado de produtos.
Isso pode envolver mais do que recuperar uma única categoria. Um pedido para uma configuração completa de ciclismo pode exigir capacetes, luvas e outros produtos complementares em um único resultado coordenado.
Quando o pedido é vago, o modelo usa o contexto de perfil e comportamento para inferir o que é importante.
Por exemplo, "Encontre algo adequado para meu deslocamento" pode exigir pistas sobre clima, trajeto
método, estilo preferido, compras anteriores e sensibilidade a preços.
Quando o usuário modifica uma recomendação anterior, a ShopX atualiza o estado ativo da compra em vez de descartar todo o plano.
Isso permite que o sistema preserve os produtos aceitos e as restrições anteriores, alterando apenas a parte afetada pelo novo feedback.
A ShopX não se limita a produzir uma sequência de IDs de produtos. O artigo descreve um conjunto mais amplo de operações:
O objetivo é tornar o modelo responsável por todo o percurso, desde a intenção do usuário até um resultado utilizável e baseado no catálogo.
Uma parte central da ShopX é o ID Semântico, ou SID.
Um identificador de banco de dados comum carrega pouco significado. Ele informa ao sistema qual registro recuperar, mas o próprio identificador não revela se o item é um tênis de corrida, uma jaqueta pastel, uma bolsa impermeável ou um capacete de bicicleta.
A ShopX adiciona tokens de produto estruturados ao vocabulário do modelo. Esses tokens são projetados em torno de dois requisitos:
A ShopX utiliza o Qwen3-VL-Embedding-2B para codificar informações do produto a partir de múltiplas fontes:
A representação contém:
O treinamento combina supervisão de produtos equivalentes com um objetivo contrastivo InfoNCE suavizado. O sistema também usa sinais de reconstrução para que a representação aprendida permaneça conectada às informações de categoria, atributo e descrição.
O SID final combina códigos globais e locais:
O design híbrido melhora a discriminação de produtos.
| Métrica de design SID | Abordagem apenas global | Abordagem global + local |
|---|---|---|
| Média de produtos vinculados a um SID | 126,5 | 13,8 |
| ROUGE de SID para descrição | 25,5 | 31,5 |
Reduzir o número médio de produtos mapeados para o mesmo SID torna a representação mais precisa. Ao mesmo tempo, a melhoria na recuperação de descrições sugere que os códigos retêm mais informações interpretáveis do produto.
Isso é importante porque a ShopX precisa que os SIDs sirvam como mais do que simples chaves de recuperação. O modelo deve raciocinar sobre eles, compará-los, gerar combinações e conectá-los de volta à linguagem do usuário.
Os modelos base são Qwen3-4B e Qwen3-8B.
Treinar a ShopX não é simplesmente uma questão de ensinar o Qwen3 a emitir novos tokens de produto. Se o processo focar demasiadamente nos SIDs, o modelo pode melhorar na descoberta de produtos, mas perder capacidade de conversação, seguimento de instruções, extração de perfil, ranqueamento ou capacidade de explicação.
A receita de treinamento, portanto, prossegue em quatro etapas.
A fase de pós-treinamento também consiste em duas etapas: a terceira etapa envolve treinamento SFT de cumprimento e SFT de especialista, e a quarta etapa é a otimização conjunta OPD+RL com múltiplos professores, combinando preferências do professor, recompensas de regras e atualizações do aluno para gerar o modelo base de comércio eletrônico. Este processo é a solução central para o treinamento do modelo ShopX, correspondendo ao pipeline de treinamento de quatro etapas mencionado no 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)
O modelo original é congelado enquanto as novas embeddings SID adicionadas são treinadas.
Esta etapa estabelece uma relação bidirecional entre o texto do produto e os códigos do produto. O modelo aprende a conectar descrições com SIDs antes do início do treinamento mais amplo de domínio.
O estudo de ablação do artigo indica que este alinhamento é uma etapa de preparação necessária. Ignorá-lo enfraquece o pré-treinamento contínuo posterior.
A próxima etapa injeta conhecimento de comércio eletrônico, incluindo:
atributos e relacionamentos
Dados de domínio geral são misturados ao conjunto de treinamento para reduzir o esquecimento catastrófico. A proporção reportada é de aproximadamente 2:1 entre dados de domínio e dados gerais, com cerca de 114 bilhões de tokens no total.
O ajuste fino por instrução converte o conhecimento de domínio em comportamento de compra e de agente utilizável.
O conjunto de dados é composto aproximadamente por:
A alta proporção de dados gerais é intencional. O ShopX deve permanecer um modelo de linguagem capaz, em vez de se tornar um gerador restrito de tokens de produto.
O estágio final aborda um problema que a equipe chama de efeito gangorra.
Otimizar apenas para precisão do SID pode melhorar a recuperação, mas prejudicar outras habilidades. Na ablação reportada, a extração de perfil e a classificação caíram para zero após o ajuste fino focado apenas em SID.
Descreva sua ideia uma vez e o We0 AI pode gerar um site de apresentacao, paginas e CMS, alem de ajudar a atrair clientes e trafego apos o lancamento.
Uma geração completa de projetos para registro gratuito
Melhor para experimentar um fluxo de geração completo e ver rapidamente um primeiro rascunho do projeto.
Para evitar isso, as amostras de treinamento são direcionadas para cinco famílias de tarefas. Cada família usa uma combinação diferente de modelos professores e sinais de recompensa. O sistema melhora conjuntamente a execução do produto, o diálogo, a compreensão de perfil, a classificação e a explicação sem forçar cada capacidade por meio de uma única recompensa.
Os resultados da ablação mostram que a introdução de múltiplos professores e recompensas pode restaurar e melhorar diferentes dimensões sem causar o mesmo nível de interferência.
O ShopX é avaliado em comparação com três sistemas de agentes mediados por ferramentas:
As três referências usam o Qwen3-8B juntamente com o serviço de busca de produção do Taobao. Este é um detalhe importante: as referências não estão conectadas a um backend de recuperação fraco ou experimental. Elas usam um sistema maduro de busca e classificação desenvolvido para um mercado que atende uma base de usuários muito grande.
A avaliação em nível de framework usa logs anonimizados do Taobao:
| Conjunto de avaliação | Número de exemplos |
|---|---|
| Solicitações de compra de turno único | 279 |
| Conversas de compra multiturno | 80 |
A avaliação usa julgamento de LLM baseado em rubrica em
oito dimensões. Cinco das métricas mais discriminativas são:
travessões. As faixas de pontuação para cada dimensão também são indicadas, por exemplo, Atendimento à Intenção varia de 55% a 75%. Este gráfico está intimamente ligado ao contexto e apresenta visualmente o desempenho de cada sistema nas várias dimensões.](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 | Atendimento à Intenção | Precisão do Item | Fundamentação de Restrições | Adaptação a Feedback | Referência 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 |
O ShopX está ligeiramente atrás do Chat-REC no Atendimento à Intenção em turno único: 69,2 versus 72,2. Isso mostra que um agente mediado por ferramentas com um forte backend de pesquisa de produção continua competitivo em solicitações diretas.
A maior vantagem aparece na interação com estado:
Estes são exatamente os cenários em que a perda de interface tende a se acumular. Quando o usuário adiciona feedback, refere-se a produtos anteriores ou mantém várias restrições suaves ativas, o atendimento nativo do modelo preserva mais do estado de compra original.
Comparado ao modelo base Qwen3-8B, o ShopX melhora várias habilidades específicas para compras.
| Capacidade | Qwen3-8B | ShopX | Mudança |
|---|---|---|---|
| Raciocínio sobre relação de produtos | 28,3 | 49,7 | +21,4 |
| Extração de evidências de sequência comportamental | 16,1 | 52,7 | +36,6 |
| Extração de evidências de perfil | 52,9 | 76,9 | +24,0 |
| Recuperação de descrição de produto a partir de SID | 10,1 | 33,2 | +23,1 |
O modelo também mantém ou melhora várias capacidades gerais:
| Benchmark | Pontuação ShopX | Mudança em relação ao Qwen3-8B |
|---|---|---|
| BBH | 74,1 | +0,9 |
| CMMLU | 75,8 | +1,6 |
| GSM8K | 88,6 | +0,4 |
| MBPP+ | 83,1 | +8,0 |
Alguns benchmarks gerais difíceis diminuem:
| Benchmark | Pontuação ShopX | Mudança em relação ao 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 |
Os resultados sugerem que a especialização em domínio não é gratuita. O ShopX obtém grandes melhorias na compreensão de produtos e evidências
extração enquanto sacrifica algum desempenho em tarefas matemáticas, científicas e com muita instrução.
Para um modelo de compras, isso pode ser uma troca aceitável, mas continua sendo uma consideração importante na implantação.
O relatório original inclui exemplos lado a lado comparando o ShopX com uma linha de base mediada por ferramentas.
O usuário solicita um capacete feminino para ciclismo e luvas de ciclismo.
Um agente convencional pode focar na categoria de produto dominante e recuperar vários capacetes, enquanto aborda mal as luvas. Cada resultado de pesquisa pode ser individualmente relevante, mas a solicitação completa de compra permanece apenas parcialmente atendida.
O ShopX planeja entre as duas categorias, recupera produtos para cada uma e retorna um pacote coordenado em uma única interação.
O caso demonstra uma distinção importante:
Uma lista de capacetes excelentes não satisfaz uma solicitação de um pacote de capacete e luvas.
No segundo caso, o usuário está procurando itens decorativos para o interior de um carro.
Ao longo de várias interações, o usuário adiciona preferências de estilo e pede alterações com base em recomendações anteriores. Um agente mediado por ferramentas interpreta repetidamente a solicitação mais nova como uma pesquisa nova, eventualmente se afastando do contexto original de interior de carro.
O ShopX mantém o estado ativo. Ele preserva a cena estabelecida anteriormente e as preferências aceitas, então atualiza a recomendação em resposta a novos comentários.
O objetivo não é repetir os mesmos produtos para sempre. É distinguir entre restrições que devem permanecer estáveis e detalhes que o usuário alterou explicitamente.
O ShopX reflete uma mudança mais ampla no comércio de IA.
A primeira geração de assistentes de compras adicionava principalmente interfaces de linguagem natural aos sistemas de busca existentes. O modelo de linguagem explicava, resumia e chamava ferramentas, enquanto a lógica de recuperação principal permanecia fora do modelo.
O ShopX move
mais etapas de cumprimento de pedido para dentro do próprio modelo.
Esse design tem várias vantagens potenciais:
Isso também traz novos requisitos de engenharia.
Um sistema de produção ainda precisa de:
O ShopX resolve o problema de intenção para item. Ele não lida com pagamento, checkout, logística, devoluções, crédito do comerciante ou outras camadas do comércio com agentes.
A pesquisa vem da colaboração de várias equipes, incluindo a organização de busca por IA do Taobao e Tmall, a equipe de Recomendação e Compreensão de Conteúdo, o Alibaba Token Foundry e a equipe de Aprendizado por Reforço ROLL.
Suas áreas de pesquisa mais amplas incluem:
O artigo foi submetido ao arXiv em 30 de junho de 2026, com o título "ShopX: Um Modelo Fundamental para Cumprimento de Intenção a Item em Compras com Agentes."
O ShopX é um modelo fundamental de e-commerce projetado para o cumprimento de intenção a item nativo do modelo. Ele integra compreensão de intenção, planejamento, recuperação de produtos, classificação, recomendação combinada, comparação e atualizações de estado em múltiplas rodadas dentro de um framework de compras.
A perda de interface ocorre quando uma solicitação de compra detalhada em linguagem natural é comprimida em consultas, filtros ou chamadas de ferramentas limitadas. Restrições suaves, relações entre produtos, preferências anteriores e contexto de cenário podem ser enfraquecidas ou perdidas durante a transição.
Um ID Semântico é uma sequência de tokens estruturada que representa um produto no vocabulário do modelo de linguagem. Os SIDs projetados pelo ShopX preservam semânticas úteis do produto, enquanto são adequados para geração autoregressiva e operações no espaço de produtos.
O artigo descreve variantes do ShopX baseadas no Qwen3-4B e Qwen3-8B. O Qwen3 fornece capacidades gerais de linguagem, raciocínio, diálogo e agente adaptadas para o cumprimento de e-commerce.
Depende da tarefa. No cumprimento de intenção de rodada única, o Chat-REC é ligeiramente melhor que o ShopX, mas na adaptação a feedback e referência a produtos entre rodadas, o ShopX tem melhor desempenho. Sua maior força está em diálogos complexos e com estado.
juntos?
Sim. O framework suporta sugestão de pacotes e composição entre categorias. O artigo inclui um exemplo no qual o modelo atende a uma solicitação por um capacete de ciclismo e luvas de pilotagem em uma única rodada.
O artigo de pesquisa está disponível publicamente no arXiv. As fontes oficiais revisadas não fornecem um checkpoint público do modelo ShopX ou um repositório de código-fonte dedicado do ShopX, portanto nenhum link de download está incluído aqui.
O artigo foca no cumprimento de intenção para item: planejamento, recuperação, classificação, composição e fundamentação de recomendações de produtos. Pagamento, checkout, logística e execução pós-venda são camadas de sistema separadas.
interface oficial para explorar a família mais ampla de modelos Qwen.
O ShopX foi projetado para preencher a lacuna entre o que um modelo de linguagem entende e o que um sistema de comércio eletrônico pode realmente atender. Ele fornece ao modelo uma linguagem nativa de produtos por meio de IDs Semânticos e combina planejamento, recuperação, ranqueamento, agrupamento, fundamentação e atualizações de estado em uma única estrutura.
A avaliação mostra que sistemas fortes mediados por ferramentas continuam competitivos para solicitações diretas de uma única etapa. A vantagem mais clara do ShopX aparece quando o processo de compra se torna conversacional: os usuários fornecem feedback, referem-se a produtos anteriores e esperam que o cenário original permaneça ativo.
Seus resultados também mostram o custo da especialização. As habilidades específicas para compras melhoram substancialmente, enquanto alguns benchmarks difíceis de raciocínio geral e matemática declinam.
A contribuição central do ShopX não é simplesmente uma melhor busca de produtos; é uma arquitetura de modelo que trata as compras como um processo contínuo de intenção a item realizado.
Comece com uma frase e tenha um site completo em minutos.
