ShopX: نموذج أساسي أصلي للذكاء الاصطناعي للتسوق الذكي

مقدمة

يتجه التسوق بعيدًا عن الاستعلامات القصيرة بالكلمات المفتاحية نحو التعبير الكامل عن النوايا.

فبدلاً من كتابة "حذاء رياضي مقاوم للماء"، قد يصف المستخدم موقفًا كاملاً:

"سأذهب إلى مدينة ملاهٍ هذا الأسبوع. أريد زيًّا يبدو جميلاً في الصور، ويبقى مريحًا بعد يوم كامل من المشي، ويستطيع تحمل الأمطار الخفيفة."

يحتوي هذا الطلب على أكثر بكثير من مجرد فئة منتج. فهو يشمل وجهة، وتفضيلاً بصريًا، وحالة جوية، ومتطلبات راحة، وحاجة ضمنية لعدة عناصر متناسقة معًا.

تزداد الصعوبة في الجولة التالية:

"أعجبني هذا الحذاء. أرني خيارات مشابهة، لكن اجعلها أكثر نعومة."

يجب على النظام المفيد أن يتذكر أي حذاء يشير إليه "هذا"، ولماذا أعجب المستخدم به، وما إذا كان البديل لا يزال مناسبًا لسيناريو المدينة الملاهي الأصلي.

تستخدم العديد من أنظمة التسوق الذكية الحالية نموذجًا لغويًا كبيرًا لفهم الطلب، ثم تمرر استعلامًا مضغوطًا إلى خط أنابيب بحث وترتيب خارجي. في هذا التسليم، يمكن أن يتحول طلب غني إلى بضع كلمات رئيسية ومرشحات. يصف فريق ShopX هذه المشكلة بأنها فقدان الواجهة.

تم تصميم ShopX لتقليل هذا الفقدان من خلال منح النموذج طريقة مباشرة ومنظمة للعمل داخل كتالوج المنتجات. بدلاً من التصرف فقط كطبقة محادثة حول أدوات البحث، يمكن للنموذج التخطيط والاسترجاع والترتيب والمقارنة والتجميع والشرح وتحديث الحالة من خلال تمثيلات أصلية للمنتجات.

خلفية: لماذا تفقد التسوق الوسيط بالأدوات السياق

تم تحسين أنظمة التجارة الإلكترونية التقليدية بشكل كبير للاسترجاع والترتيب. وهي تعمل بشكل جيد عندما يمكن تمثيل الطلب كاستعلام أو مجموعة من المرشحات أو هدف على مستوى الفئة.

يخلق التسوق الذكي مشكلة مختلفة.

لم يعد المستخدم يطلب نتيجة بحث واحدة فقط. قد يطلب من النظام:

• تفسير موقف من العالم الحقيقي
• الموازنة بين عدة قيود مرنة
• تذكر التفضيلات من الجولات السابقة
• مقارنة البدائل
• تجميع العناصر التكميلية
• تعديل جزء فقط من التوصية الحالية
• شرح سبب ملاءمة المجموعة النهائية للطلب

عادةً ما يفصل خط أنابيب الوساطة بالأدوات هذه العملية إلى مراحل متعددة:

1. يفسر النموذج اللغوي الطلب.
2. يعيد كتابة النية كاستعلام بحث.
3. ينتج خدمة استرجاع مرشحين.
4. نظام ترتيب

يرتب المرشحين.
5. يحوّل النموذج النتائج إلى استجابة حوارية.

يمكن أن تكون كل مرحلة قوية بذاتها، لكن الواجهات بينها ضيقة. قد لا يصمد تنازل دقيق مثل "مريح بما يكفي للمشي طوال اليوم، لكنه مميز بصريًا" كمرشح تقليدي. وقد تختزل علاقة مثل "مشابه للحذاء السابق، لكنه أكثر نعومة" إلى تشابه عام.

تصبح المشكلة أكثر وضوحًا عبر جولات متعددة. إذا بدأت كل جولة بحثًا جديدًا، فقد يؤدي ذلك إلى فقدان النظام للمنتجات المقبولة سابقًا، أو قيود السيناريو الأصلية، أو المنطق الكامن وراء تعليقات المستخدم.

تبدأ ShopX من افتراض مختلف: يجب أن يعمل النموذج مباشرة داخل فضاء منتج منظم، بدلًا من الترجمة المستمرة لفهمه إلى أوامر بحث خارجية.

ShopX: إطار عمل للتسليم قائم على النموذج

يجمع ShopX بين نموذج أساسي مركزي وإطار تقديم خدمة خفيف الوزن.

يتبع النموذج حلقة تفاعل من أربع خطوات:

1. الخطة — تفسير نية المستخدم وتحديد العمليات المطلوبة في فضاء المنتج.
2. التنفيذ — إجراء عمليات الاسترجاع، والترتيب، والمقارنة، والتوسيع، أو التجميع.
3. التسليم — إرجاع المنتجات المؤسسة مع استجابة باللغة الطبيعية.
4. التحديث — تخزين الحالات الجديدة، والعناصر المقبولة، وتغييرات التفضيلات للجولة التالية.

يكشف إطار تقديم الخدمة عن ثلاثة أسطح دعم أساسية:

• الوصول إلى السياق للملفات الشخصية، والتاريخ، والإشارات السلوكية ذات الصلة
• تأسيس الكتالوج لربط المعرفات الدلالية بالمنتجات الحقيقية
• إدارة الحالة للحفاظ على الخيارات والقيود عبر الجولات

ثلاثة أوضاع للتسليم

يدعم الإطار ثلاثة أنماط شراء عامة.

التسليم من النية إلى العنصر

بالنسبة لطلب شراء واضح، يترجم ShopX النية الكاملة مباشرة إلى مجموعة مؤسسة من المنتجات.

قد يتضمن ذلك أكثر من استرجاع فئة واحدة. فقد يتطلب طلب تجهيزة ركوب دراجات كاملة خوذات، وقفازات، ومنتجات تكميلية أخرى في نتيجة منسقة واحدة.

التخصيص المعزز بالسياق

عندما يكون الطلب غامضًا، يستخدم النموذج الملف الشخصي والسياق السلوكي لاستنتاج ما هو مهم.

على سبيل المثال، "ابحث عن شيء مناسب لتنقلاتي اليومية" قد يتطلب أدلة حول الطقس، والسفر

الطريقة، النمط المفضل، المشتريات السابقة، والحساسية للسعر.

الإنجاز متعدد الأدوار مع الحفاظ على السياق

عندما يعدل المستخدم توصية سابقة، يقوم ShopX بتحديث حالة التسوق النشطة بدلاً من التخلص من الخطة بأكملها.

وهذا يسمح للنظام بالاحتفاظ بالمنتجات المقبولة والقيود السابقة مع تغيير الجزء المتأثر بالملاحظات الجديدة فقط.

عمليات مساحة المنتج

ShopX لا يقتصر على إنتاج سلسلة من معرفات المنتجات. تصف الورقة مجموعة أوسع من العمليات:

• استرجاع شعاع البحث باستخدام المعرفات الدلالية
• الترتيب القائم على القوائم
• توسيع المنتج الأساسي
• استرجاع المنتجات المشابهة والبديلة
• تجميع المنتجات التكميلية
• تكوين الأزياء أو المعدات عبر الفئات
• مقارنة المنتجات
• الردود المختلطة بين النص والمنتجات
• أسئلة التوضيح
• تحديثات التفضيلات والحالة

الهدف هو جعل النموذج مسؤولاً عن المسار الكامل من نية المستخدم إلى نتيجة قابلة للاستخدام ومستندة إلى الكتالوج.

المعرفات الدلالية: تعليم النموذج لغة المنتج

جزء أساسي من ShopX هو المعرف الدلالي، أو SID.

المعرف العادي في قاعدة البيانات يحمل معنى ضئيلاً. يخبر النظام أي سجل يجب استرجاعه، لكن المعرف نفسه لا يكشف ما إذا كان العنصر حذاء جري، أو سترة بألوان باستيل، أو حقيبة مقاومة للماء، أو خوذة دراجة.

يضيف ShopX رموز منتجات منظمة إلى مفردات النموذج. هذه الرموز مصممة حول شرطين:

• قابلية الاسترداد: يجب أن يحتفظ المعرف الدلالي بمعلومات كافية لاستنتاج دلالات المنتج المفيدة مثل الفئة والخصائص والنمط.
• قابلية التشغيل: يجب أن يعمل التمثيل بشكل طبيعي مع التوليد التلقائي الانحداري، مما يسمح للنموذج باسترجاع المنتجات ومعالجتها من خلال سلاسل الرموز.

المرحلة 1: تمثيل المنتج متعدد الوسائط

يستخدم ShopX Qwen3-VL-Embedding-2B لتشفير معلومات المنتج من مصادر متعددة:

• صور المنتجات
• العناوين
• الخصائص المنظمة

يحتوي التمثيل على:

• متجه عالمي للتوجيه الخشن والهوية عالية المستوى
• عدة متجهات محلية للخصائص الدقيقة

يجمع التدريب بين الإشراف على المنتجات المكافئة وهدف التباين InfoNCE المخفف. يستخدم النظام أيضًا إشارات إعادة البناء بحيث يظل التمثيل المتعلم مرتبطًا بمعلومات الفئة والخصائص والوصف.

المرحلة 2: التكميم الهجين لقاعدة الرموز

يجمع المعرف الدلالي النهائي بين الرموز العالمية والمحلية:

• بادئة عالمية ذات مستويين تعتمد على التكميم المتبقي توفر توجيهًا مستقرًا.
• لاحقة محلية ذات أربعة مستويات تضيف تمييزات دلالية أكثر تفصيلاً.
• تحتوي كل قاعدة رموز على 8,192 مدخلاً.
• تكتسب مفردات النموذج حوالي 50,000 رمزًا دلاليًا جديدًا.

![توضح الصورة بنية نموذج ShopX. على اليسار توجد مرحلة التمثيل متعدد المتجهات، حيث يتم إدخال سياق المنتج (صورة، عنوان، خصائص) ومعالجته بواسطة Qwen3-VL-Embedding-2B لتوليد المتجهات العالمية والمحلية. في الوسط يوجد هدف تعلم التمثيل، بما في ذلك أهداف التباين وإعادة البناء. على اليمين توجد مرحلة التكميم الهجين لقاعدة الرموز، والتي تتكون من التكميم المتبقي العالمي (RQ-VAE) والتكميم المتجه المحلي، وتؤدي في النهاية إلى توليد المعرف الدلالي الهجين.]

الهوية. يرتبط هذا الشكل ارتباطًا وثيقًا بالسياق، حيث يعرض بصريًا تدفق معالجة النموذج من الإدخال إلى الإخراج.

التصميم الهجين يحسن تمييز المنتجات.

مقياس تصميم SID	النهج العالمي فقط	النهج العالمي + المحلي
متوسط المنتجات المرتبطة بـ SID واحد	126.5	13.8
ROUGE لربط SID بالوصف	25.5	31.5

تقليل متوسط عدد المنتجات المرتبطة بنفس SID يجعل التمثيل أكثر دقة. في الوقت نفسه، يشير تحسين استرجاع الوصف إلى أن الرموز تحتفظ بمزيد من معلومات المنتج القابلة للتفسير.

هذا مهم لأن ShopX يحتاج إلى أن تعمل SIDs كأكثر من مجرد مفاتيح استرجاع. يجب على النموذج التفكير فيها، ومقارنتها، وإنشاء حزم، وربطها بلغة المستخدم.

تدريب على أربع مراحل: أكثر من مجرد توقع SID

النماذج الأساسية هي Qwen3-4B و Qwen3-8B.

تدريب ShopX ليس مجرد تعليم Qwen3 لإصدار رموز منتج جديدة. إذا ركزت العملية بشكل كبير على SIDs، فقد يتحسن النموذج في العثور على المنتجات بينما يفقد جودة المحادثة، واتباع التعليمات، واستخراج الملف الشخصي، والترتيب، أو القدرة على التفسير.

لذلك، تتم عملية التدريب على أربع مراحل.

تُظهر هذه الصورة خط أنابيب التدريب لنموذج ShopX، مقسمًا إلى مرحلتين رئيسيتين: ما قبل التدريب وما بعد التدريب. تتضمن مرحلة ما قبل التدريب خطوتين: الخطوة 1 هي محاذاة SID، والتي تُنتج رموز SID عن طريق تحديث نصوص المجموعة؛ الخطوة 2 هي التدريب المستمر في المجال، والذي يُحدث جميع المعلمات عن طريق مزج مجموعات التجارة الإلكترونية مع المجموعات العامة، وحقن المعرفة بالمجال، مما يؤدي في النهاية إلى نموذج أساسي واعٍ بـ SID.

تتكون مرحلة ما بعد التدريب أيضًا من خطوتين: الخطوة الثالثة تتضمن تدريب SFT الكامل وتدريب SFT الخبير، والخطوة الرابعة هي التحسين المشترك لـ OPD+RL متعدد المعلمين، الذي يجمع تفضيلات المعلمين، ومكافآت القواعد، وتحديثات الطلاب لتوليد نموذج أساس التجارة الإلكترونية في النهاية. هذه العملية هي الحل الأساسي لتدريب نموذج ShopX، وتتوافق مع خط أنابيب التدريب المكون من أربع مراحل المذكور في الوثيقة.

المرحلة 1: محاذاة SID

يتم تجميد النموذج الأصلي بينما يتم تدريب تضمينات SID المضافة حديثًا.

تؤسس هذه المرحلة علاقة ثنائية الاتجاه بين نص المنتج ورموز المنتج. يتعلم النموذج ربط الأوصاف بـ SIDs قبل بدء التدريب الأوسع في المجال.

تشير دراسة الإزالة في الورقة إلى أن هذه المحاذاة هي خطوة تحضيرية ضرورية. تخطيها يضعف التدريب المستمر اللاحق.

المرحلة 2: التدريب المستمر في المجال

المرحلة التالية تُدخل معرفة التجارة الإلكترونية، بما في ذلك:

• علاقات الكتالوج بـ SID
• تعيينات النية إلى العنصر
• إشارات السلوك إلى العنصر
• فهم تفضيلات المستخدم
• المنتج

السمات والعلاقات

يتم خلط البيانات العامة في مجموعة التدريب للحد من النسيان الكارثي. النسبة المذكورة تقريبًا 2:1 لبيانات المجال مقابل البيانات العامة، مع حوالي 114 مليار رمز إجمالًا.

المرحلة الثالثة: الضبط الدقيق للتعليمات

يعمل الضبط الدقيق للتعليمات على تحويل المعرفة المجالية إلى سلوك تسوق ووكيل قابل للاستخدام.

مجموعة البيانات تقريبًا:

• 75% بيانات تعليمات عامة، تغطي اتباع التعليمات، الحوار متعدد الأدوار، استخدام الأدوات، الرياضيات، والبرمجة
• 25% بيانات التجارة الإلكترونية، تغطي تنفيذ المعرف الفريد للمنتج (SID) الأصلي، فهم السياق، ومحادثات التسوق

الحصة الكبيرة من البيانات العامة مقصودة. يجب أن يظل ShopX نموذجًا لغويًا قادرًا بدلاً من أن يصبح مولدًا ضيقًا لرموز المنتجات.

المرحلة الرابعة: التقطير متعدد المدرسين عبر الإنترنت والتعلم المعزز

تعالج المرحلة النهائية مشكلة يسميها الفريق تأثير الأرجوحة.

تحسين دقة المعرف الفريد للمنتج (SID) فقط يمكن أن يحسن الاسترجاع بينما يضر بالقدرات الأخرى. في الدراسة الاستئصالية المذكورة، انخفض استخراج الملفات الشخصية والترتيب إلى الصفر بعد الضبط الدقيق المقتصر على المعرف الفريد للمنتج (SID).

لتجنب ذلك، يتم توجيه عينات التدريب إلى خمس عائلات من المهام. تستخدم كل عائلة مجموعة مختلفة من نماذج المعلمين وإشارات المكافأة. يحسن النظام بشكل مشترك تنفيذ المنتج، الحوار، فهم الملفات الشخصية، الترتيب، والتفسير دون إجبار كل قدرة على المرور عبر مكافأة واحدة.

تظهر نتائج الدراسة الاستئصالية أن إدخال مدرسين ومكافآت متعددة يمكن أن يستعيد ويحسن الأبعاد المختلفة دون التسبب في نفس المستوى من التداخل.

النتائج التجريبية

يتم تقييم ShopX مقابل ثلاثة أنظمة وكيل بوساطة أدوات:

• Chat-REC
• RecMind
• InteRecAgent

تستخدم جميع المعايير الثلاثة نموذج Qwen3-8B مع خدمة بحث الإنتاج في Taobao. هذه تفاصيل مهمة: المعايير غير متصلة بخلفية بحث ضعيفة أو تجريبية. إنها تستخدم نظام بحث وترتيب ناضج تم تطويره لسوق يخدم قاعدة مستخدمين كبيرة جدًا.

بيانات التقييم

يستخدم تقييم مستوى الإطار سجلات Taobao مجهولة المصدر:

مجموعة التقييم	عدد الأمثلة
طلبات التسوق في دورة واحدة	279
محادثات التسوق متعددة الأدوار	80

يستخدم التقييم حكم نموذج اللغة الكبير القائم على المعايير عبر ثمانية أبعاد. خمسة من أكثر المقاييس تمييزًا هي:

• تحقيق الهدف: ما إذا كان الطلب قد تم تحويله إلى نتيجة منتج مرضية
• دقة العنصر: ما إذا كانت المنتجات تتطابق مع الفئات المطلوبة
• تثبيت القيود: ما إذا تم اتباع المتطلبات الصريحة
• تكيف التغذية الراجعة: ما إذا كانت التغذية الراجعة اللاحقة تغير النتيجة دون فقدان التفضيلات المقبولة
• مرجع عبر الأدوار: ما إذا تم حل الإشارات إلى المنتجات السابقة بشكل صحيح

![مخطط راداري يوضح أداء أربعة أنظمة—ShopX وChatRec وRecMind وInteRecAgent—عبر ثمانية أبعاد. تشمل الأبعاد تحقيق الهدف، دقة العنصر، جودة الترتيب، تغطية الكتالوج، التخصيص، تثبيت القيود، تكيف التغذية الراجعة، والمرجع عبر الأدوار. يتميز كل بُعد بخطوط ملونة تمثل أنظمة مختلفة، مثل ShopX باللون الأحمر الصلب وChatRec باللون الأزرق]

شرطات. يتم أيضًا الإشارة إلى نطاقات الدرجات لكل بُعد، على سبيل المثال، يتراوح تحقيق الهدف من 55% إلى 75%. يرتبط هذا المخطط ارتباطًا وثيقًا بالسياق ويُظهر بصريًا أداء كل نظام عبر الأبعاد المختلفة.](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/9dd02e71-85ce-417d-bed7-cb1c9a39886b-6f3a4768-a10e-40fb-b5e1-b1227fe9b047.png)

نتائج الإطار الرئيسية

النظام	تحقيق الهدف	دقة العنصر	الالتزام بالقيود	التكيف مع التغذية الراجعة	المرجعية عبر الأدوار
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

يتأخر ShopX قليلاً عن Chat-REC في تحقيق الهدف في الأدوار الفردية: 69.2 مقابل 72.2. يُظهر هذا أن العميل الوسيط بالأدوات مع خلفية بحث إنتاج قوي يظل تنافسيًا في الطلبات المباشرة.

تظهر الميزة الأكبر في التفاعل الحالوي:

• التكيف مع التغذية الراجعة أعلى بـ 11.7 نقطة من Chat-REC.
• المرجعية عبر الأدوار أعلى بـ 20.8 نقطة من Chat-REC.

هذه هي بالضبط السيناريوهات التي يميل فيها فقدان الواجهة إلى التراكم. عندما يضيف المستخدم تغذية راجعة، أو يشير إلى منتجات سابقة، أو يُبقي العديد من القيود الناعمة نشطة، يحافظ الإنجاز الأصلي للنموذج على المزيد من حالة التسوق الأصلية.

تحليل مستوى القدرات

مقارنةً بالنموذج الأساسي Qwen3-8B، يُحسّن ShopX عدة قدرات خاصة بالتسوق.

القدرة	Qwen3-8B	ShopX	التغيير
الاستدلال على علاقات المنتجات	28.3	49.7	+21.4
استخراج الأدلة من سلسلة السلوك	16.1	52.7	+36.6
استخراج أدلة الملف الشخصي	52.9	76.9	+24.0
استرجاع وصف المنتج من SID	10.1	33.2	+23.1

يحتفظ النموذج أيضًا أو يُحسّن عدة قدرات عامة:

المعيار	درجة ShopX	التغيير عن Qwen3-8B
BBH	74.1	+0.9
CMMLU	75.8	+1.6
GSM8K	88.6	+0.4
MBPP+	83.1	+8.0

بعض المعايير العامة الصعبة تنخفض:

المعيار	درجة ShopX	التغيير عن 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

تشير النتائج إلى أن التخصص في المجال ليس مجانيًا. يحقق ShopX تحسينات كبيرة في فهم المنتجات والأدلة.

在数学、科学及高指令任务中，以牺牲部分性能为代价进行提取。

对于购物模型而言，这或许是可接受的权衡，但仍是部署时需考虑的重要因素。

案例分析

源报告包含 ShopX 与基于工具的中介系统的并列案例对比。

案例一：单轮捆绑订单履行

用户同时请求购买女式骑行头盔和骑行手套。

传统智能体可能聚焦于主流产品类别，聚焦检索多款头盔，而对手套的覆盖不足。虽然每项搜索结果可能各自相关，但完整的购物需求仅得到部分满足。

ShopX 跨品类规划，为每类产品检索商品，并在一轮交互中返回协调统一的捆绑订单。

该案例展现了一个重要区别：

• 商品相关性考量每件商品是否各自适用。
• 意图满足度考量完整商品集是否解决了用户的购物任务。

一份优秀的头盔清单并不能满足用户对头盔与手套捆绑包的需求。

案例二：含状态的多轮购物

在第二个案例中，用户正在为汽车内饰寻找装饰物品。

在多轮交互中，用户逐步添加了风格偏好，并基于先前的推荐提出修改要求。基于工具的中介系统反复将最新请求解读为全新搜索，最终偏离了最初的汽车内饰场景。

ShopX 维持了当前状态。它保留了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。

بين الاثنين في التعامل مع حوارات التسوق متعددة الجولات.](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/06c6d08d-4595-450e-bdb8-8cab6d987e98-c3787787-63cf-479d-8141-33525a0e0db4.png)

الهدف ليس تكرار نفس المنتجات إلى الأبد. بل هو التمييز بين القيود التي يجب أن تبقى ثابتة والتفاصيل التي غيّرها المستخدم صراحةً.

لماذا ShopX مهم للتجارة الوكيلة

يعكس ShopX تحولًا أوسع في التجارة المدعومة بالذكاء الاصطناعي.

أضاف الجيل الأول من مساعدي التسوق بشكل أساسي واجهات لغة طبيعية إلى أنظمة البحث الحالية. كان نموذج اللغة يشرح ويلخص ويستدعي الأدوات، بينما ظل منطق الاسترجاع الأساسي خارج النموذج.

ينتقل ShopX إلى دمج المزيد من عمليات التنفيذ داخل النموذج نفسه.

لهذا التصميم عدة مزايا محتملة:

• لا تحتاج النوايا الغنية إلى الضغط في استعلام واحد.
• يمكن معالجة علاقات المنتجات كجزء من التخطيط.
• يمكن إنشاء توصيات مركبة عبر الفئات.
• يمكن لملاحظات المستخدم تحديث الحالة المستمرة.
• يمكن الإشارة مباشرة إلى نتائج التوصيات السابقة.
• من خلال تعيين SID، تظل الاستجابات قائمة على كتالوج منتجات حقيقي.

يجلب هذا أيضًا متطلبات هندسية جديدة.

سيظل النظام الإنتاجي بحاجة إلى:

• مزامنة موثوقة للكتالوج
• فحص المخزون والتوفر
• تحديث الأسعار في الوقت الفعلي
• ضوابط السياسة والأمان
• تقييم النتائج بناءً على المستخدمين الحقيقيين
• حماية بيانات ملفات المستخدم وسلوكه
• مراقبة أخطاء توطين المنتج
• الفصل الواضح بين صلاحيات التوصية والتداول

يحل ShopX مشكلة الانتقال من النية إلى السلعة. فهو لا يتعامل بحد ذاته مع الدفع أو التسوية أو الخدمات اللوجستية أو الإرجاع أو ائتمان التاجر أو المستويات الأخرى للتجارة الوكيلة.

الفريق وخلفية البحث

يأتي هذا البحث من تعاون عدة فرق، بما في ذلك مؤسسة البحث للذكاء الاصطناعي من تاوباو وتيانماو، وفريق التوصيات وفهم المحتوى، و阿里巴巴 Token Foundry، وفريق التعلم المعزز ROLL.

تشمل مجالات بحثهم الأوسع:

• البحث بالذكاء الاصطناعي والتسوق الوكيل
• فهم النية في اللغة الطبيعية
• التوضيح والتنفيذ متعدد الجولات
• التوصيات التوليدية
• المعرفات الدلالية للمنتجات والمحتوى متعدد الوسائط
• تعلم التمثيل متعدد الوسائط
• التعلم المعزز على نطاق واسع لوكلاء التسوق

تم تقديم الورقة البحثية إلى arXiv في 30 يونيو 2026، بعنوان "ShopX: نموذج أساسي لتنفيذ النية إلى سلعة في التجارة الوكيلة."

الأسئلة الشائعة

ما هو ShopX؟

ShopX هو نموذج أساسي للتجارة الإلكترونية، مصمم خصيصًا لتنفيذ النية إلى سلعة بطريقة أصلية للنموذج. فهو يدمج فهم النية، والتخطيط، واسترجاع المنتجات، والترتيب، والتوصيات المركبة، والمقارنة، وتحديثات الحالة متعددة الجولات داخل إطار تسوق واحد.

ما هو فقدان الواجهة في التسوق بالذكاء الاصطناعي؟

يحدث فقدان الواجهة عندما يتم ضغط طلب تسوق طبيعي ومفصل إلى استعلامات أو مرشحات أو استدعاءات أدوات محدودة. قد تضعف القيود المرنة وعلاقات المنتجات والتفضيلات المبكرة وسياق الموقف أو تفقد أثناء عملية النقل.

ما هي المعرفات الدلالية في ShopX؟

المعرف الدلالي هو سلسلة رمزية منظمة تمثل منتجًا في مفردات نموذج اللغة. تم تصميم SID في ShopX للحفاظ على الدلالات المفيدة للمنتج مع كونه مناسبًا للتوليد الذاتي الانحداري ومعالجة فضاء المنتج.

ما النموذج الأساسي الذي يستخدمه ShopX؟

تصف الورقة متغيرات ShopX المبنية على Qwen3-4B وQwen3-8B. يوفر Qwen3 قدرات عامة في اللغة والاستدلال والحوار والوكالة مُكيَّفة لتنفيذ التجارة الإلكترونية.

هل ShopX أفضل من وكلاء التسوق التقليديين القائمين على البحث؟

يعتمد ذلك على المهمة. في تنفيض النية بجولة واحدة، يتفوق Chat-REC قليلاً على ShopX، لكن ShopX أفضل في التكيف مع الملاحظات والإشارة إلى المنتجات عبر الجولات. تكمن أقوى مزاياه في الحوارات المعقدة والحافظة للحالة.

هل يمكن لـ ShopX التوصية بعدة فئات منتجات معًا؟

نعم. يدعم الإطار اقتراح الحزم والتأليف عبر الفئات. تتضمن الورقة مثالاً يلبي فيه النموذج طلبًا لخوذة ركوب الدراجات وقفازات ركوب في جولة واحدة.

هل نموذج ShopX أو كود المصدر متاح للعموم؟

الورقة البحثية متاحة للعموم على arXiv. المصادر الرسمية التي تم استعراضها لا توفر نقطة تحقق عامة لنموذج ShopX أو مستودع كود مصدر مخصص له، لذلك لا يتم تضمين رابط تحميل هنا.

هل يقوم ShopX بإتمام عمليات الشراء؟

تركز الورقة على تنفيذ النية إلى سلعة: التخطيط، والاسترجاع، والترتيب، والتأليف، وتثبيت توصيات المنتجات. الدفع، والتسوية، والخدمات اللوجستية، وتنفيذ ما بعد البيع هي طبقات نظام منفصلة.

أدوات ذات صلة

• Qwen3: عائلة النماذج الأساسية مفتوحة الأوزان المستخدمة كقاعدة لمتغيري ShopX 4B و8B.
• Qwen3-VL-Embedding-2B: نموذج التضمين متعدد الوسائط المستخدم لتشفير صور المنتجات وعناوينها وسماتها.
• Qwen3-VL-Embedding GitHub: الكود الرسمي وأمثلة الاستخدام لنماذج التضمين وإعادة الترتيب متعددة الوسائط من Qwen.
• ROLL: إطار التعلم المعزز من علي بابا لنماذج اللغة الكبيرة والتدريب الوكيل متعدد الجولات.
• Qwen Chat: واجهة الدردشة الرسمية.

الواجهة الرسمية لاستكشاف عائلة نماذج Qwen الأوسع.

روابط ذات صلة

• ورقة ShopX على arXiv: ملخص الورقة الرسمي، المؤلفون، تاريخ التقديم، وإمكانية الوصول إلى ملف PDF.
• ملف PDF لورقة ShopX: الورقة التقنية الكاملة مع الهندسة المعمارية، التدريب، التقييم، ودراسات الحالة.
• DOI لـ ShopX: سجل DOI الدائم للورقة.
• نظرة عامة تقنية على Qwen3: مقدمة رسمية لعائلة نماذج Qwen3 المستخدمة كأساس لـ ShopX.
• مستودع Qwen3 على GitHub: معلومات رسمية عن النموذج، الأوزان، وموارد النشر.
• بطاقة نموذج Qwen3-VL-Embedding-2B: المواصفات الرسمية والأمثلة لنموذج ترميز المنتجات.
• مستودع ROLL على GitHub: البنية التحتية الرسمية للتعلم المعزز من علي بابا.

الملخص

تم تصميم ShopX لسد الفجوة بين ما يفهمه نموذج اللغة وما يمكن لنظام التجارة الإلكترونية تنفيذه فعليًا. يمنح النموذج لغة خاصة بالمنتجات من خلال معرفات دلالية ويجمع بين التخطيط، الاسترجاع، الترتيب، التجميع، التثبيت، وتحديثات الحالة في إطار واحد.

يُظهر التقييم أن الأنظمة القوية المعتمدة على الأدوات تظل تنافسية للطلبات المباشرة ذات الجولة الواحدة. وتظهر الميزة الأوضح لـ ShopX عندما تصبح عملية التسوق محادثة: حيث يقدم المستخدمون ملاحظات، ويشيرون إلى منتجات سابقة، ويتوقعون بقاء السيناريو الأصلي نشطًا.

كما تظهر نتائجه تكلفة التخصص. تتحسن القدرات الخاصة بالتسوق بشكل كبير، بينما تنخفض بعض معايير التفكير العام والرياضيات الصعبة.

**المساهمة الرئيسية

لـ ShopX ليست مجرد تحسين في البحث عن المنتجات؛ بل هي بنية نموذجية تعامل التسوق كعملية مستمرة لتحويل النية إلى عنصر ملموس.