ShopX expliqué : Exécution modèle-natif de l'intention à l'article pour un shopping agentique
Le shopping s'éloigne des requêtes courtes par mots-clés pour évoluer vers des expressions complètes d'intention. 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 soit belle en photo, reste confortable après une journée complète de marche et puisse résister à une pluie légère." Cette requête contient bien plus qu'une catégorie de produit. Elle inclut une destination, une préférence visuelle, une condition météorologique, une exigence de confort et un besoin implicite de
ShopX : Un modèle fondateur natif pour le shopping agentique
Introduction
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.
Contexte : Pourquoi le shopping via des outils perd le contexte
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 :
- Interpréter une situation réelle
- Équilibrer plusieurs contraintes souples
- Se souvenir des préférences des tours précédents
- Comparer des alternatives
- Assembler des articles complémentaires
- Ajuster seulement une partie d'une recommandation existante
- Expliquer pourquoi l'ensemble final correspond à la demande
Un pipeline via des outils sépare généralement ce processus en plusieurs étapes :
- Le modèle de langage interprète la requête.
- Il reformule l'intention comme une requête de recherche.
- Un service de récupération produit des candidats.
- Un système de classement
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 : Un Cadre de Réalisation Centré sur le Modèle
ShopX combine un modèle de fondation central avec un harnais de service léger.
Le modèle suit une boucle d’interaction en quatre étapes :
- Planifier — interpréter l’intention de l’utilisateur et déterminer quelles opérations dans l’espace produit sont nécessaires.
- Exécuter — effectuer des opérations de récupération, classement, comparaison, expansion ou regroupement.
- Réaliser — renvoyer des produits fondés accompagnés d’une réponse en langage naturel.
- Mettre à jour — stocker les nouveaux états, les articles acceptés et les changements de préférences pour le tour suivant.
Le harnais de service expose trois surfaces de support principales :
- Accès au contexte pour les profils utilisateur, l’historique et les signaux comportementaux pertinents
- Ancrage catalogue pour mapper les identifiants sémantiques aux produits réels
- Gestion des états pour préserver les choix et les contraintes d’un tour à l’autre
Trois Modes de Réalisation
Le cadre prend en charge trois grands schémas d’achat.
Réalisation Intention-à-Article
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.
Personnalisation Augmentée par le Contexte
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.
Exécution contextuelle multi-tour
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.
Opérations sur l'espace-produit
ShopX ne se limite pas à produire une séquence d'identifiants de produits. L'article décrit un ensemble plus large d'opérations :
- Recherche par faisceau d'IDs sémantiques
- Classement par liste
- Expansion à partir d'un produit source
- Recherche de produits similaires et de substitution
- Regroupement de produits complémentaires
- Composition de tenues ou d'équipements inter-catégories
- Comparaison de produits
- Réponses entrelacées de texte et de produits
- Questions de clarification
- Mises à jour des préférences et de l'état
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.
IDs sémantiques : Enseigner un langage de produit au modèle
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 :
- Récupérabilité : le SID doit conserver suffisamment d'informations pour déduire des sémantiques utiles du produit, telles que la catégorie, les attributs et le style.
- Opérabilité : la représentation doit fonctionner naturellement avec la génération autorégressive, permettant au modèle de récupérer et de manipuler des produits via des séquences de tokens.
Étape 1 : Représentation multimodale du produit
ShopX utilise Qwen3-VL-Embedding-2B pour encoder les informations produit provenant de multiples sources :
- Images du produit
- Titres
- Attributs structurés
La représentation contient :
- Un vecteur global pour le routage grossier et l'identité de haut niveau
- Plusieurs vecteurs locaux pour les propriétés fines
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.
Étape 2 : Quantification par dictionnaire hybride
Le SID final combine des codes globaux et locaux :
- Un préfixe global à deux niveaux basé sur la quantification résiduelle assure un routage stable.
- Un suffixe local à quatre niveaux ajoute des distinctions sémantiques plus détaillées.
- Chaque dictionnaire contient 8 192 entrées.
- Le vocabulaire du modèle gagne environ 50 000 nouveaux tokens SID.
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.
Entraînement en quatre étapes : bien plus que la prédiction de SID
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)
Étape 1 : Alignement SID
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.
Étape 2 : Pré-entraînement continu de domaine
L'étape suivante injecte des connaissances en commerce électronique, notamment :
- Relations catalogue vers SID
- Mappings intention vers article
- Signaux comportement vers article
- Compréhension des préférences utilisateur
- Produit
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.
Étape 3 : Ajustement par instructions
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 :
- 75 % de données d'instructions générales, couvrant le suivi d'instructions, les dialogues multi-tours, l'utilisation d'outils, les mathématiques et le codage.
- 25 % de données de commerce électronique, couvrant l'exécution native des SID, la compréhension du contexte et les conversations d'achat.
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.
Étape 4 : Distillation en ligne multi-enseignants et apprentissage par renforcement
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.
Résultats expérimentaux
ShopX est évalué par rapport à trois systèmes d'agents utilisant des outils :
- Chat-REC
- RecMind
- InteRecAgent
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.
Données d'évaluation
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 :
- Satisfaction de l'intention : si la demande est convertie en un résultat produit satisfaisant.
- Précision des articles : si les produits correspondent aux catégories demandées.
- Respect des contraintes : si les exigences explicites sont suivies.
- Adaptation aux retours : si les retours ultérieurs modifient le résultat sans perdre les préférences acceptées.
- Référence inter-tour : si les références à des produits antérieurs sont résolues correctement.
![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)
Résultats clés du cadre
| 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 :
- L'adaptation au retour d'information est supérieure de 11,7 points à celle de Chat-REC.
- La référence inter-tour est supérieure de 20,8 points à celle de Chat-REC.
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.
Analyse au niveau des capacités
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。
案例分析
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。
案例 1：单轮捆绑订单履行
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：
- 商品相关性仅判断每个商品是否单独合适。
- 意图履行则判断整套商品组合是否解决了用户的购物任务。
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。
案例 2：带有状态的多轮购物
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.
Pourquoi ShopX est important pour le commerce agentique
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 :
- Les intentions riches n'ont pas besoin d'être compressées en une seule requête.
- Les relations entre produits peuvent être traitées dans le cadre de la planification.
- Des recommandations combinées peuvent être générées entre catégories.
- Les retours des utilisateurs peuvent mettre à jour un état persistant.
- Les résultats de recommandations antérieures peuvent être directement référencés.
- Grâce au mappage SID, les réponses restent basées sur un catalogue de produits réel.
Cela implique également de nouvelles exigences techniques.
Un système de production doit encore assurer :
- Une synchronisation fiable du catalogue
- La vérification des stocks et de la disponibilité
- La mise à jour en temps réel des prix
- Les contrôles de politique et de sécurité
- L'évaluation basée sur les résultats réels des utilisateurs
- La protection des profils utilisateur et des données comportementales
- Le suivi des atterrissages erronés sur les produits
- Une distinction claire entre les recommandations et les droits de transaction
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.
Équipe et contexte de recherche
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 :
- La recherche IA et les achats agentiques
- La compréhension des intentions en langage naturel
- La clarification et l'exécution multi-tours
- La recommandation générative
- Les identifiants sémantiques de produits et le contenu multimodal
- L'apprentissage de représentations multimodales
- L'apprentissage par renforcement à grande échelle pour les agents d'achat
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. »
Questions fréquentes
Qu'est-ce que ShopX ?
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.
Qu'est-ce que la perte d'interface dans les achats par IA ?
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.
Que sont les identifiants sémantiques (SID) dans ShopX ?
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.
Quel modèle de base ShopX utilise-t-il ?
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.
ShopX est-il meilleur que les agents d'achat traditionnels basés sur la recherche ?
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.
ShopX peut-il recommander plusieurs catégories de produits ensemble ?
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.
Le modèle ou le code source de ShopX sont-ils disponibles publiquement ?
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.
Est-ce que ShopX finalise les achats ?
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.
Outils connexes
- Qwen3 : La famille de modèles fondamentaux open-weight utilisée comme base pour les variantes ShopX 4B et 8B.
- Qwen3-VL-Embedding-2B : Le modèle d'embedding multimodal utilisé pour encoder les images, titres et attributs des produits.
- Qwen3-VL-Embedding GitHub : Code officiel et exemples d'utilisation pour les modèles d'embedding multimodal et de reclassement Qwen.
- ROLL : Le framework d'apprentissage par renforcement d'Alibaba pour les grands modèles de langage et l'entraînement agentique multi-tours.
- Qwen Chat : Le
Interface officielle pour explorer la famille de modèles Qwen au sens large.
Liens connexes
- Article ShopX sur arXiv : Résumé officiel de l’article, auteurs, historique de soumission et accès au PDF.
- PDF de l’article ShopX : L’intégralité de l’article technique avec l’architecture, l’entraînement, l’évaluation et les études de cas.
- DOI de ShopX : L’identifiant DOI persistant de l’article.
- Présentation technique de Qwen3 : Introduction officielle à la famille de modèles Qwen3 utilisée comme base de ShopX.
- Dépôt GitHub de Qwen3 : Informations officielles sur le modèle, poids et ressources de déploiement.
- Fiche du modèle Qwen3-VL-Embedding-2B : Spécifications officielles et exemples pour le modèle d’encodage de produits.
- Dépôt GitHub de ROLL : Infrastructure officielle d’apprentissage par renforcement d’Alibaba.
Résumé
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.