Введение
Покупки переходят от коротких ключевых запросов к полному выражению намерений.
Вместо того чтобы вводить "водонепроницаемые кроссовки", пользователь может описать целую ситуацию:
"Я собираюсь в парк развлечений в эти выходные. Я хочу наряд, который хорошо выглядит на фотографиях, остается удобным после целого дня ходьбы и может выдержать небольшой дождь."
Этот запрос содержит гораздо больше, чем просто категорию товара. Он включает место назначения, визуальные предпочтения, погодные условия, требования к комфорту и подразумеваемую потребность в нескольких предметах, которые сочетаются друг с другом.
Сложность возрастает на следующем шаге:
"Мне нравятся эти туфли. Покажи похожие варианты, но сделай их мягче."
Полезная система должна помнить, на какие туфли указывает слово "эти", почему они понравились пользователю, и подходит ли замена к первоначальному сценарию посещения парка развлечений.
Многие современные системы ИИ для покупок используют большую языковую модель для понимания запроса, а затем передают сжатый запрос во внешний конвейер поиска и ранжирования. При этой передаче богатый запрос может сжаться до нескольких ключевых слов и фильтров. Команда ShopX описывает эту проблему как потерю интерфейса.
ShopX разработан для уменьшения этой потери, предоставляя модели прямой, структурированный способ работы внутри каталога товаров. Вместо того чтобы действовать только как разговорный слой вокруг поисковых инструментов, модель может планировать, извлекать, ранжировать, сравнивать, комплектовать, объяснять и обновлять состояние через товарно-нативные представления.
Предыстория: Почему опосредованные инструментами покупки теряют контекст
Традиционные системы электронной коммерции высоко оптимизированы для поиска и ранжирования. Они хорошо работают, когда запрос может быть представлен в виде ключевого слова, набора фильтров или цели на уровне категории.
Агентные покупки создают другую проблему.
Пользователь больше не запрашивает один результат поиска. Он может попросить систему:
- Интерпретировать реальную жизненную ситуацию
- Сбалансировать несколько мягких ограничений
- Запомнить предпочтения из предыдущих шагов
- Сравнить альтернативы
- Собрать дополняющие друг друга предметы
- Изменить только часть существующей рекомендации
- Объяснить, почему итоговый набор соответствует запросу
Конвейер, опосредованный инструментами, обычно разделяет этот процесс на несколько этапов:
- Языковая модель интерпретирует запрос.
- Она переформулирует намерение как поисковый запрос.
- Служба поиска выдает кандидатов.
- Система ранжирования
упорядочивает кандидатов.
5. Модель преобразует результаты в диалоговый ответ.
Каждый этап может быть силён сам по себе, но интерфейсы между ними узки. Тонкий компромисс, например «достаточно удобная для хождения весь день, но всё ещё визуально различимая», может не сохраниться при обычной фильтрации. Такое соотношение, как «похожа на предыдущую обувь, но мягче», может быть сведено к общей схожести.
Проблема становится более заметной при многократных итерациях. Если каждый шаг
Начало нового поиска может привести к тому, что система потеряет ранее принятые товары, исходные ограничения сценария или логику, стоящую за отзывами пользователя.
ShopX исходит из другого предположения: модель должна работать непосредственно в структурированном пространстве товаров, а не постоянно переводить своё понимание во внешние поисковые команды.
ShopX: Фреймворк исполнения, нативный для модели
ShopX объединяет центральную базовую модель с лёгкой обвязкой обслуживания.
Модель следует четырёхшаговому циклу взаимодействия:
- Планирование — интерпретация намерений пользователя и определение необходимых операций в пространстве товаров.
- Выполнение — выполнение операций поиска, ранжирования, сравнения, расширения или комплектования.
- Исполнение — возврат подобранных товаров вместе с ответом на естественном языке.
- Обновление — сохранение новых состояний, принятых позиций и изменений предпочтений для следующего шага.
Обвязка обслуживания предоставляет три основные опорные поверхности:
- Доступ к контексту для профилей пользователей, истории и релевантных поведенческих сигналов
- Привязка каталога для сопоставления семантических идентификаторов с реальными товарами
- Управление состоянием для сохранения выборов и ограничений между шагами
Три режима исполнения
Фреймворк поддерживает три основные модели покупок.
Исполнение от намерения к товару
Для чёткого запроса на покупку ShopX преобразует полное намерение непосредственно в набор подобранных товаров.
Это может включать не только поиск в одной категории. Запрос на полный набор для велоспорта может потребовать шлемы, перчатки и другие сопутствующие товары в одном скоординированном результате.
Персонализация с учётом контекста
Когда запрос нечёткий, модель использует профиль и поведенческий контекст, чтобы понять, что важно.
Например, для запроса «Найди что-то подходящее для моей поездки на работу» могут потребоваться сведения о погоде, поездке.
метод, предпочтительный стиль, предыдущие покупки и чувствительность к цене.
Многоэтапное выполнение с сохранением состояния
Когда пользователь вносит изменения в предыдущую рекомендацию, ShopX обновляет активное состояние покупки, а не отбрасывает весь план целиком.
Это позволяет системе сохранять принятые товары и ранее установленные ограничения, изменяя только ту часть, на которую повлияла новая обратная связь.
Операции в пространстве товаров
ShopX не ограничивается созданием последовательности идентификаторов товаров. В статье описывается более широкий набор операций:
- Поиск с лучевым поиском по семантическим идентификаторам
- Ранжирование списков
- Расширение на основе исходного товара
- Поиск похожих и заменяющих товаров
- Формирование наборов взаимодополняющих товаров
- Составление межкатегорийных ансамблей или комплектов оборудования
- Сравнение товаров
- Чередование текстовых и товарных ответов
- Уточняющие вопросы
- Обновление предпочтений и состояния
Цель состоит в том, чтобы на модель была возложена ответственность за весь путь от намерения пользователя до готового результата, привязанного к каталогу.
Семантические идентификаторы: обучение модели языку товаров
Ключевым элементом ShopX является Семантический идентификатор, или SID.
Обычный идентификатор базы данных несёт мало смысла. Он указывает системе, какую запись извлечь, но сам по себе не раскрывает, является ли товар кроссовками, пастельной курткой, водонепроницаемой сумкой или велосипедным шлемом.
ShopX добавляет структурированные токены товаров в словарь модели. Эти токены разработаны с учётом двух требований:
- Восстанавливаемость: SID должен сохранять достаточно информации для вывода полезной семантики товара, такой как категория, атрибуты и стиль.
- Операбельность: представление должно естественным образом работать с авторегрессивной генерацией, позволяя модели извлекать товары и манипулировать ими через последовательности токенов.
Этап 1: Мультимодальное представление товара
ShopX использует Qwen3-VL-Embedding-2B для кодирования информации о товаре из нескольких источников:
- Изображения товаров
- Названия
- Структурированные атрибуты
Представление включает в себя:
- Глобальный вектор для грубой маршрутизации и высокоуровневой идентификации
- Несколько локальных векторов для детальных свойств
Обучение объединяет контроль на основе эквивалентных товаров с смягчённой контрастной функцией потерь InfoNCE. Система также использует сигналы восстановления, чтобы изученное представление оставалось связанным с информацией о категории, атрибутах и описании.
Этап 2: Гибридное квантование с кодовой книгой
Итоговый SID объединяет глобальные и локальные коды:
- Двухуровневый глобальный префикс на основе остаточного квантования обеспечивает стабильную маршрутизацию.
- Четырёхуровневый локальный суффикс добавляет более детальные семантические различия.
- Каждая кодовая книга содержит 8192 записи.
- Словарь модели пополняется примерно 50 000 новых токенов SID.
Гибридный подход улучшает различимость товаров.
| Метрика дизайна SID | Только глобальный подход | Глобальный + локальный подход |
|---|---|---|
| Среднее количество товаров, привязанных к одному SID | 126,5 | 13,8 |
| Метрика ROUGE для соответствия SID описанию | 25,5 | 31,5 |
Снижение среднего количества товаров, сопоставленных с одним SID, делает представление более точным. В то же время улучшение восстановления описания свидетельствует о том, что коды сохраняют больше интерпретируемой информации о товаре.
Это важно, поскольку ShopX необходимы SID не просто в качестве ключей для поиска. Модель должна выполнять над ними рассуждения, сравнивать их, генерировать наборы товаров и связывать их с языком пользователя.
Четырёхэтапное обучение: больше, чем просто прогнозирование SID
Базовыми моделями являются Qwen3-4B и Qwen3-8B.
Обучение ShopX не сводится к простому обучению Qwen3 генерировать новые токены товаров. Если процесс будет слишком сфокусирован на SID, модель может улучшиться в поиске товаров, но потерять качество диалога, следование инструкциям, извлечение профилей, ранжирование или способность к объяснениям.
Поэтому процесс обучения состоит из четырёх этапов.
Этап последующего обучения также состоит из двух шагов: третий шаг включает дообучение SFT и экспертное обучение SFT, а четвёртый шаг — многопользовательская совместная оптимизация OPD+RL, объединяющая предпочтения учителей, правила вознаграждения и обновления учеников для окончательного создания базовой модели электронной коммерции. Этот процесс является основным решением для обучения модели ShopX, соответствующим четырёхэтапному конвейеру обучения, упомянутому в документе.](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/72350678-1e95-4d9e-962e-648d5123ef7c-09c27f2c-4855-412d-b3d4-7f241540c536.png)
Этап 1: Выравнивание SID
Исходная модель замораживается, в то время как обучаются новые эмбеддинги SID.
Этот этап устанавливает двунаправленную связь между текстом товара и кодами товара. Модель учится связывать описания с SID до начала более широкого предметного обучения.
Абляционное исследование в статье показывает, что это выравнивание является необходимым подготовительным этапом. Его пропуск ослабляет последующее продолженное предварительное обучение.
Этап 2: Продолженное предварительное обучение в предметной области
Следующий этап внедряет знания электронной коммерции, включая:
- Связи между каталогами и SID
- Сопоставления намерений с товарами
- Сигналы поведения с товарами
- Понимание предпочтений пользователя
- Товар
атрибуты и взаимосвязи
Данные общей предметной области смешиваются с обучающим набором для уменьшения катастрофического забывания. Сообщается, что соотношение составляет примерно 2:1 в пользу данных предметной области к общим данным, при общем объеме около 114 миллиардов токенов.
Этап 3: Тонкая настройка под инструкции
Тонкая настройка под инструкции преобразует знания предметной области в пригодное для использования поведение при покупках и работе агента.
Набор данных примерно состоит из:
- 75% общих инструкционных данных, охватывающих выполнение инструкций, многораундовый диалог, использование инструментов, математику и программирование
- 25% данных электронной коммерции, охватывающих нативную обработку запросов SID, понимание контекста и разговоры о покупках
Высокая доля общих данных является намеренной. ShopX должен оставаться полноценной языковой моделью, а не превращаться в узкий генератор токенов для продуктов.
Этап 4: Многоучительская онлайн-дистилляция и обучение с подкреплением
Завершающий этап решает проблему, которую команда называет эффектом качелей.
Создайте сайт-витрину и привлекайте лиды за минуты
Опишите идею одной фразой, и We0 AI создаст сайт-витрину, страницы и CMS, а после запуска поможет привлечь клиентов и трафик.
Одна полная генерация проекта для бесплатной регистрации
Лучше всего попробовать один полный поток генерации и быстро увидеть первый черновик проекта.
Оптимизация только по точности SID может улучшить извлечение, но навредить другим способностям. В упомянутом абляционном тестировании извлечение профилей и ранжирование упали до нуля после тонкой настройки исключительно под SID.
Чтобы избежать этого, обучающие образцы распределяются по пяти группам задач. Каждая группа использует различную комбинацию моделей-учителей и сигналов вознаграждения. Система совместно улучшает выполнение запросов о продуктах, диалог, понимание профилей, ранжирование и объяснения, не заставляя каждую способность проходить через одно вознаграждение.
Результаты абляции показывают, что введение нескольких учителей и вознаграждений может восстановить и улучшить различные аспекты, не вызывая такого же уровня помех.
Экспериментальные результаты
ShopX оценивается в сравнении с тремя системами-агентами с использованием инструментов:
- Chat-REC
- RecMind
- InteRecAgent
Все три базовых решения используют Qwen3-8B вместе с производственным поисковым сервисом Taobao. Это важная деталь: базовые решения не подключены к слабой или экспериментальной системе поиска. Они используют зрелую поисковую и ранжирующую систему, разработанную для торговой площадки, обслуживающей очень большую пользовательскую базу.
Данные для оценки
Оценка на фреймворковом уровне использует анонимизированные журналы Taobao:
| Набор для оценки | Количество примеров |
|---|---|
| Однораундовые запросы на покупку | 279 |
| Многораундовые диалоги о покупках | 80 |
Оценка производится с помощью рубрицированного суждения LLM по
восьми аспектам. Пять наиболее показательных метрик:
- Выполнение намерения: преобразован ли запрос в удовлетворительный результат по продукту
- Точность по товарам: соответствуют ли продукты запрошенным категориям
- Привязка к ограничениям: соблюдаются ли явные требования
- Адаптация к обратной связи: изменяет ли последующая обратная связь результат без потери принятых предпочтений
- Междиалоговые ссылки: правильно ли разрешаются ссылки на ранее упомянутые продукты
Основные результаты по фреймворку
| Система | Выполнение намерений | Точность товаров | Соответствие ограничениям | Адаптация к обратной связи | Межвитковое обращение |
|---|---|---|---|---|---|
| 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 немного отстает от Chat-REC в выполнении намерений за один шаг: 69.2 против 72.2. Это показывает, что инструментальный агент с мощным поисковым бэкендом остается конкурентоспособным при прямых запросах.
Более значительное преимущество проявляется в интерактивных взаимодействиях с сохранением состояния:
- Адаптация к обратной связи на 11.7 пункта выше, чем у Chat-REC.
- Межвитковое обращение на 20.8 пункта выше, чем у Chat-REC.
Именно в этих сценариях обычно накапливаются потери на интерфейсе. Когда пользователь добавляет обратную связь, ссылается на ранее просмотренные товары или поддерживает несколько активных мягких ограничений, нативное выполнение модели сохраняет больше исходного состояния покупок.
Анализ на уровне способностей
По сравнению с базовой моделью Qwen3-8B, ShopX улучшает несколько специфических для шопинга способностей.
| Способность | Qwen3-8B | ShopX | Изменение |
|---|---|---|---|
| Логический вывод о взаимосвязях товаров | 28.3 | 49.7 | +21.4 |
| Извлечение доказательств из поведенческих последовательностей | 16.1 | 52.7 | +36.6 |
| Извлечение доказательств из профиля | 52.9 | 76.9 | +24.0 |
| Восстановление описания товара по SID | 10.1 | 33.2 | +23.1 |
Модель также сохраняет или улучшает несколько общих способностей:
| Бенчмарк | Оценка ShopX | Изменение относительно Qwen3-8B |
|---|---|---|
| BBH | 74.1 | +0.9 |
| CMMLU | 75.8 | +1.6 |
| GSM8K | 88.6 | +0.4 |
| MBPP+ | 83.1 | +8.0 |
Некоторые сложные общие бенчмарки показывают снижение:
| Бенчмарк | Оценка ShopX | Изменение относительно 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 |
Результаты показывают, что доменная специализация не обходится бесплатно. ShopX достигает значительных улучшений в понимании товаров и извлечении
在数学、科学等复杂任务上做出一定性能牺牲来实现提取。
对于购物模型而言，这或许是可以接受的权衡，但仍是部署时需要重点考虑的因素。
案例分析
源报告中包含 ShopX 与基于工具的中介方案的对比案例。
案例1：单轮捆绑订单交付
用户同时需要女式自行车头盔和骑行手套。
传统代理可能会聚焦于主要商品类别，检索多款头盔而对手套处理不足。虽然每项搜索结果都各自相关，但完整的购物需求仅得到部分满足。
ShopX 能跨品类规划，检索各品类商品，在一轮交互中返回协调捆绑方案。
该案例揭示了一个重要区别：
- 商品相关性 询问每件产品是否单独适用。
- 意图满足度 询问整体方案是否解决用户的购物任务。
一系列优质头盔无法满足"头盔+手套"捆绑需求。
案例2：带状态的多轮购物
第二个案例中，用户正在寻找汽车内饰装饰品。
经过多轮交互，用户增加风格偏好，并要求根据先前推荐进行调整。基于工具的中介代理将最新请求重复解释为全新搜索，逐渐偏离原有的汽车内饰场景。
ShopX 保持活跃状态。它保留先前建立的场景和已接受的偏好，然后根据新反馈更新推荐。
между двумя подходами при обработке многораундовых диалогов в сфере покупок.](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/06c6d08d-4595-450e-bdb8-8cab6d987e98-c3787787-63cf-479d-8141-33525a0e0db4.png)
Цель — не повторять одни и те же товары бесконечно. Она заключается в различении ограничений, которые должны оставаться стабильными, и деталей, которые пользователь явно изменил.
Почему ShopX важен для агентной коммерции
ShopX отражает более широкий сдвиг в AI-коммерции.
Первое поколение помощников по покупкам в основном добавляло интерфейсы на естественном языке к существующим поисковым системам. Языковая модель объясняла, резюмировала и вызывала инструменты, в то время как основная логика поиска оставалась за пределами модели.
ShopX переносит
больше процессов выполнения заказов непосредственно в модель.
Такая конструкция имеет несколько потенциальных преимуществ:
- Богатые намерения не нужно сжимать в один запрос.
- Отношения между товарами можно обрабатывать как часть планирования.
- Возможность генерировать комбинированные рекомендации по разным категориям.
- Обратная связь от пользователя может обновлять долгосрочное состояние.
- Возможность напрямую ссылаться на более ранние результаты рекомендаций.
- Благодаря отображению SID ответы по-прежнему основаны на реальном товарном каталоге.
Это также налагает новые инженерные требования.
Производственная система по-прежнему должна обеспечивать:
- Надёжную синхронизацию каталога
- Проверку наличия и доступности товаров на складе
- Обновление цен в реальном времени
- Политики и средства безопасности
- Оценку результатов для реальных пользователей
- Защиту профилей пользователей и данных об их поведении
- Мониторинг случаев ошибочного попадания на товар
- Чёткое разграничение между рекомендациями и правами на совершение транзакций
ShopX решает задачу перехода от намерения к товару. Он не обрабатывает платежи, расчёты, логистику, возвраты, кредитоспособность продавцов или другие уровни агентной электронной коммерции.
Команда и история исследований
Данное исследование является результатом сотрудничества нескольких команд, включая организацию AI-поиска Tmall и Taobao, команду по рекомендациям и пониманию контента, Alibaba Token Foundry и команду ROLL по обучению с подкреплением.
В более широкую сферу их исследований входят:
- AI-поиск и агентные покупки
- Понимание намерений на естественном языке
- Многораундовое уточнение и выполнение заказов
- Генеративные рекомендации
- Семантические идентификаторы товаров и мультимодальный контент
- Мультимодальное представление обучения
- Масштабное обучение с подкреплением для агентов покупок
Статья была подана на arXiv 30 июня 2026 года под названием «ShopX: Основополагающая модель для выполнения заказов от намерения к товару в агентных покупках» .
Часто задаваемые вопросы
Что такое ShopX?
ShopX — это основополагающая модель электронной коммерции, специально разработанная для «родного» выполнения заказов от намерения к товару. Она объединяет понимание намерений, планирование, поиск товаров, ранжирование, комбинированные рекомендации, сравнение и обновление многораундового состояния в единой структуре для покупок.
Что такое потеря интерфейса в AI-покупках?
Потеря интерфейса происходит, когда подробный запрос о покупке на естественном языке сжимается в ограниченные запросы, фильтры или вызовы инструментов. Мягкие ограничения, отношения между товарами, ранние предпочтения и контекст ситуации могут быть ослаблены или утеряны в процессе передачи.
Что такое семантический идентификатор (SID) в ShopX?
Семантический идентификатор — это структурированная последовательность токенов, представляющая товар в словаре языковой модели. SID, разработанный в ShopX, позволяет сохранять полезную семантику товара, одновременно подходя для авторегрессивной генерации и операций в товарном пространстве.
Какую базовую модель использует ShopX?
В статье описаны варианты ShopX на основе Qwen3-4B и Qwen3-8B. Qwen3 обеспечивает общие языковые, рассуждающие, диалоговые и агентные способности, адаптированные для выполнения заказов в электронной коммерции.
ShopX лучше традиционных поисковых агентов для покупок?
Это зависит от задачи. При однораундовом выполнении намерения Chat-REC немного превосходит ShopX, но в адаптации к обратной связи и межраундовых ссылках на товары ShopX показывает лучшие результаты. Его самое сильное преимущество проявляется в сложных, сохраняющих состояние диалогах.
Может ли ShopX рекомендовать несколько товарных категорий вместе?
Да. Фреймворк поддерживает предложение наборов товаров и межкатегорийные комбинации. В статье приведён пример, в котором модель за один раунд выполняет запрос на покупку велосипедного шлема и велоперчаток.
Доступна ли модель ShopX или её исходный код публично?
Исследовательская статья находится в открытом доступе на arXiv. Проверенные официальные источники не предоставляют публичную контрольную точку модели ShopX или специальный репозиторий с исходным кодом ShopX, поэтому ссылка для скачивания сюда не включена.
Совершает ли ShopX покупки?
Статья посвящена выполнению заказов от намерения к товару: планированию, поиску, ранжированию, составлению и привязке товарных рекомендаций. Платежи, оформление заказа, логистика и послепродажное обслуживание являются отдельными системными уровнями.
Связанные инструменты
- Qwen3: Семейство основополагающих моделей с открытым весом, используемое в качестве основы для вариантов ShopX 4B и 8B.
- Qwen3-VL-Embedding-2B: Мультимодальная модель эмбеддингов, используемая для кодирования изображений товаров, названий и атрибутов.
- Qwen3-VL-Embedding GitHub: Официальный код и примеры использования для мультимодальных эмбеддингов и моделей реранжирования Qwen.
- ROLL: Фреймворк обучения с подкреплением от Alibaba для больших языковых моделей и многораундового агентного обучения.
- Qwen Chat:
Официальный интерфейс для изучения более широкого семейства моделей Qwen.
Связанные ссылки
- Статья ShopX на arXiv: официальный реферат статьи, авторы, история подачи и доступ к PDF.
- PDF статьи ShopX: полный технический документ с описанием архитектуры, обучения, оценки и примеров использования.
- DOI ShopX: постоянная запись DOI для статьи.
- Технический обзор Qwen3: официальное введение в семейство моделей Qwen3, используемое в качестве основы ShopX.
- Репозиторий Qwen3 на GitHub: официальная информация о модели, веса и ресурсы для развёртывания.
- Карточка модели Qwen3-VL-Embedding-2B: официальные спецификации и примеры для модели кодирования товаров.
- Репозиторий ROLL на GitHub: официальная инфраструктура обучения с подкреплением от Alibaba.
Краткое описание
ShopX предназначен для устранения разрыва между тем, что понимает языковая модель, и тем, что может реально выполнить электронная коммерция. Он предоставляет модели встроенный язык товаров через семантические идентификаторы и объединяет планирование, поиск, ранжирование, формирование наборов, привязку к контексту и обновление состояния в едином фреймворке.
Оценка показывает, что системы с сильным инструментальным посредничеством остаются конкурентоспособными для прямых однократных запросов. Более явное преимущество ShopX проявляется, когда процесс покупки становится диалоговым: пользователи дают обратную связь, ссылаются на ранее упомянутые товары и ожидают, что исходный сценарий остаётся активным.
Результаты также показывают цену специализации. Навыки, связанные с покупками, значительно улучшаются, тогда как некоторые сложные показатели общего мышления и математики снижаются.
Главный вклад ShopX заключается не просто в улучшении поиска товаров — это архитектура модели, которая рассматривает шопинг как непрерывный процесс преобразования намерения в товар.
