ShopX 설명: 에이전트 쇼핑을 위한 모델 기반 의도-상품 매칭

쇼핑은 짧은 키워드 검색에서 의도를 완전히 표현하는 방식으로 변화하고 있습니다. 사용자는 "방수 운동화"라고 입력하는 대신 전체 상황을 설명할 수 있습니다: > "이번 주말에 테마파크에 갈 예정입니다. 사진에 잘 나오고, 하루 종일 걸어도 편안하며, 약간의 비를 견딜 수 있는 옷차림을 원합니다." 이 요청에는 제품 카테고리 이상의 정보가 포함되어 있습니다. 목적지, 시각적 선호도, 날씨 조건, 편안함 요구 사항, 그리고 암묵적으로 필요한 것이 포함됩니다.

发布于 2026年7月14日•general•GEO 评分: 0•3 次阅读

选择语言

العربية Deutsch English Español Français Italiano 日本語 한국어 Português Русский 中文

ShopX: 쇼핑 에이전트를 위한 모델 네이티브 파운데이션 모델

소개

쇼핑은 짧은 키워드 검색에서 벗어나 의도를 완전히 표현하는 방식으로 진화하고 있습니다.

사용자는 "방수 운동화"라고 입력하는 대신, 전체 상황을 설명할 수 있습니다:

"이번 주말에 테마파크에 가려고 해요. 사진에 잘 나오고, 하루 종일 걸어도 편안하며, 가벼운 비도 견딜 수 있는 옷차림을 원합니다."

이 요청에는 단순한 제품 카테고리 이상의 정보가 담겨 있습니다. 목적지, 시각적 선호도, 기상 조건, 편안함 요구사항, 그리고 함께 어울리는 여러 아이템에 대한 암묵적인 필요가 포함되어 있습니다.

다음 단계에서는 난이도가 더 높아집니다:

"이 신발이 마음에 들어요. 비슷한 옵션을 보여주되, 더 부드러운 것으로 알려주세요."

유용한 시스템은 "이것"이 어떤 신발을 가리키는지, 사용자가 왜 그 신발을 좋아했는지, 그리고 대체품이 여전히 원래 테마파크 시나리오에 적합한지 기억해야 합니다.

현재 많은 AI 쇼핑 시스템은 대규모 언어 모델을 사용하여 요청을 이해한 후, 압축된 쿼리를 외부 검색 및 랭킹 파이프라인에 전달합니다. 이 과정에서 풍부한 요청이 몇 개의 키워드와 필터로 축소될 수 있습니다. ShopX 팀은 이 문제를 인터페이스 손실이라고 설명합니다.

ShopX는 제품 카탈로그 내에서 직접적이고 체계적인 방식으로 작업할 수 있는 모델을 제공하여 이러한 손실을 줄이도록 설계되었습니다. 검색 도구 주변의 대화형 레이어로만 작동하는 것이 아니라, 모델이 제품 네이티브 표현을 통해 계획, 검색, 랭킹, 비교, 번들링, 설명 및 상태 업데이트를 수행할 수 있습니다.

이 이미지는 쇼핑 시나리오에서 ShopX 모델의 두 가지 구현을 보여줍니다. 왼쪽은 도구 중재 방식으로, 풍부한 요청이 외부 API를 통해 키워드로 압축되어 인터페이스 손실이 발생합니다. 오른쪽은 모델 네이티브 방식으로, 모델이 제품 카탈로그 내에서 직접 작업하여 계획, 검색, 랭킹 및 기타 작업을 수행할 수 있습니다. 오른쪽은 또한 테마파크 쇼핑 시나리오에서 ShopX 파운데이션 모델의 적용을 보여주며, 의류, 액세서리, 신발, 가방 풀에서 의상을 추천한 후, 하루 종일 걷기에 적합한 가벼운 운동화를 찾기 위해 확장하여 사용자 요구를 충족시킵니다.

배경: 도구 중재 쇼핑이 맥락을 잃는 이유

전통적인 전자상거래 시스템은 검색과 랭킹에 최적화되어 있습니다. 요청이 쿼리, 필터 세트 또는 카테고리 수준의 대상으로 표현될 수 있을 때 잘 작동합니다.

에이전트 쇼핑은 다른 문제를 만듭니다.

사용자는 더 이상 하나의 검색 결과를 요구하지 않습니다. 시스템에 다음과 같은 작업을 요청할 수 있습니다:

실제 상황 해석
여러 소프트 제약 조건 균형 조정
이전 대화의 선호도 기억
대안 비교
보완 아이템 조합
기존 추천의 일부만 조정
최종 세트가 요청에 적합한 이유 설명

도구 중재 파이프라인은 일반적으로 이 프로세스를 여러 단계로 분리합니다:

언어 모델이 요청을 해석합니다.
의도를 검색 쿼리로 재작성합니다.
검색 서비스가 후보를 생성합니다.
랭킹 시스템이 순위를 매깁니다.

후보자들을 정리합니다.

모델은 결과를 대화형 응답으로 변환합니다.

각 단계는 그 자체로 강력할 수 있지만, 단계 간의 인터페이스는 좁습니다. "하루 종일 걷기에 충분히 편안하면서도 시각적으로 독특한"과 같은 미묘한 절충은 기존 필터로는 살아남지 못할 수 있습니다. "이전 신발과 비슷하지만 더 부드러운"과 같은 관계는 일반적인 유사성으로 축소될 수 있습니다.

문제는 여러 번의 상호작용을 거치면서 더 분명해집니다. 각 상호작용에서

새 검색을 시작하면 시스템이 이전에 수락된 제품, 원래 시나리오 제약 조건 또는 사용자 피드백背后的 reasoning을 잃어버릴 수 있습니다.

ShopX는 다른 가정에서 시작합니다. 모델이 외부 검색 명령어로 이해를 지속적으로 변환하는 대신, 구조화된 제품 공간 내에서 직접 작동해야 한다는 것입니다.

ShopX: 모델 기반 주문 처리 프레임워크

ShopX는 중앙 기반 모델과 경량 서빙 하니스를 결합합니다.

모델은 4단계 상호작용 루프를 따릅니다:

계획 — 사용자의 의도를 해석하고 필요한 제품 공간 작업을 결정합니다.
실행 — 검색, 순위 지정, 비교, 확장 또는 번들링 작업을 수행합니다.
이행 — 자연어 응답과 함께 근거가 있는 제품을 반환합니다.
업데이트 — 다음 상호작용을 위해 새로운 상태, 수락된 항목 및 선호도 변경 사항을 저장합니다.

서빙 하니스는 세 가지 핵심 지원 표면을 제공합니다:

컨텍스트 액세스 — 사용자 프로필, 기록 및 관련 행동 신호에 대한 액세스
카탈로그 근거 매핑 — 의미론적 ID를 실제 제품에 매핑
상태 관리 — 상호작용 전반에 걸쳐 선택 및 제약 조건 보존

이미지는 ShopX 모델의 아키텍처를 보여줍니다. 왼쪽에는 의도, 사용자 프로필/기록, 피드백이라는 세 가지 입력이 있습니다. 오른쪽에는 계획, 실행, 이행, 업데이트의 네 단계로 구성된 모델 기반 의도-제품 이행 흐름이 있습니다. 오른쪽에는 빔 검색 검색, 재순위 지정, 번들링 제안, 비교, 제품 기반 응답 및 상태 업데이트와 같은 제품 기반 작업도 표시됩니다. 하단에는 컨텍스트 액세스, 제품 기반-제품 매핑 및 상태 관리를 포함한 지원 섹션이 있습니다. 이 다이어그램은 ShopX 모델의 워크플로우와 지원 구성 요소를 시각적으로 나타내며, 텍스트에 제공된 모델 아키텍처 소개와 일치합니다.

세 가지 이행 모드

프레임워크는 세 가지 광범위한 쇼핑 패턴을 지원합니다.

의도-아이템 이행

명확한 쇼핑 요청의 경우 ShopX는 전체 의도를 직접 근거가 있는 제품 집합으로 변환합니다.

여기에는 단일 카테고리 검색 이상이 포함될 수 있습니다. 완전한 사이클링 장비에 대한 요청은 하나의 조정된 결과로 헬멧, 장갑 및 기타 보완 제품이 필요할 수 있습니다.

컨텍스트 증강 개인화

요청이 모호할 경우 모델은 프로필 및 행동 컨텍스트를 사용하여 중요한 사항을 추론합니다.

예를 들어, "출퇴근에 적합한 것을 찾아줘"와 같은 요청은 날씨, 이동 수단에 대한 단서가 필요할 수 있습니다.

방법, 선호 스타일, 이전 구매 내역, 가격 민감도.

상태 기반 다중 턴 이행

사용자가 이전 추천을 수정하면 ShopX는 전체 계획을 폐기하지 않고 활성 쇼핑 상태를 업데이트합니다.

이를 통해 시스템은 새로운 피드백의 영향을 받는 부분만 변경하면서, 이미 수락된 제품과 이전 제약 조건을 유지할 수 있습니다.

제품 공간 연산

ShopX는 단순히 제품 ID를 생성하는 데 국한되지 않습니다. 논문은 더 광범위한 연산 집합을 설명합니다:

의미론적 ID 빔 서치 검색
목록 순위 매기기
시드 제품 확장
유사 및 대체 제품 검색
보완 제품 번들링
교차 카테고리 코디 또는 장비 구성
제품 비교
텍스트와 제품 응답의 혼합
명확화 질문
선호도 및 상태 업데이트

목표는 사용자 의도에서부터 사용 가능하고 카탈로그 기반의 결과물에 이르기까지 완전한 경로를 모델이 담당하도록 하는 것입니다.

의미론적 ID: 모델에 제품 언어 가르치기

ShopX의 핵심은 의미론적 ID(SID)입니다.

일반 데이터베이스 식별자는 의미가 거의 없습니다. 시스템에 검색할 레코드를 알려주지만, 식별자 자체는 해당 항목이 러닝화, 파스텔 재킷, 방수 가방, 자전거 헬멧인지 여부를 나타내지 않습니다.

ShopX는 모델의 어휘에 구조화된 제품 토큰을 추가합니다. 이러한 토큰은 두 가지 요구 사항을 중심으로 설계되었습니다:

복원 가능성: SID는 카테고리, 속성, 스타일과 같은 유용한 제품 의미를 추론할 수 있는 충분한 정보를 보존해야 합니다.
작동성: 표현은 자기회귀 생성과 자연스럽게 작동하여, 모델이 토큰 시퀀스를 통해 제품을 검색하고 조작할 수 있도록 해야 합니다.

1단계: 다중 모달 제품 표현

ShopX는 Qwen3-VL-Embedding-2B를 사용하여 여러 소스의 제품 정보를 인코딩합니다:

제품 이미지
제목
구조화된 속성

표현은 다음을 포함합니다:

대략적인 라우팅 및 높은 수준의 식별을 위한 전역 벡터
세분화된 속성을 위한 여러 지역 벡터

훈련은 동등 제품 감독과 완화된 InfoNCE 대조 목표를 결합합니다. 시스템은 또한 재구성 신호를 사용하여 학습된 표현이 카테고리, 속성 및 설명 정보와 연결된 상태를 유지하도록 합니다.

2단계: 하이브리드 코드북 양자화

최종 SID는 전역 및 지역 코드를 결합합니다:

잔차 양자화 기반의 2단계 전역 접두사는 안정적인 라우팅을 제공합니다.
4단계 지역 접미사는 더 세부적인 의미적 구분을 추가합니다.
각 코드북은 8,192개의 항목을 포함합니다.
모델 어휘에는 약 50,000개의 새로운 SID 토큰이 추가됩니다.

![이미지는 ShopX 모델의 아키텍처를 보여줍니다. 왼쪽은 다중 벡터 표현 단계로, 제품 컨텍스트(이미지, 제목, 속성)가 입력되어 Qwen3-VL-Embedding-2B에 의해 처리되어 전역 + 지역 벡터를 생성합니다. 중간은 표현 학습 목표(대조 및 재구성 목표 포함)입니다. 오른쪽은 하이브리드 코드북 양자화 단계로, 전역 잔차 양자화(RQ-VAE)와 지역 벡터 양자화로 구성되어 최종적으로 하이브리드 의미

ID. 이 그림은 문맥과 밀접하게 연관되어 있으며, 모델의 입력부터 출력까지의 처리 흐름을 시각적으로 보여줍니다.](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/2718f029-5bdb-48f2-991d-bc2ecfc8934e-5cfa8a20-e436-4cb7-9437-ed94f9f5c4c6.png)

하이브리드 설계는 제품 식별력을 향상시킵니다.

SID 설계 지표	글로벌 전용 방식	글로벌 + 로컬 방식
하나의 SID에 연결된 평균 제품 수	126.5	13.8
SID-설명 ROUGE 점수	25.5	31.5

동일한 SID에 매핑되는 평균 제품 수를 줄이면 표현이 더 정밀해집니다. 동시에 설명 복원력이 향상되었다는 것은 코드가 더 해석 가능한 제품 정보를 유지하고 있음을 시사합니다.

ShopX가 SID를 단순한 검색 키 이상으로 활용해야 하기 때문에 이는 중요합니다. 모델은 SID를 통해 추론하고, 비교하고, 번들을 생성하며, 이를 사용자 언어와 연결할 수 있어야 합니다.

4단계 학습: 단순한 SID 예측을 넘어서

기본 모델은 Qwen3-4B와 Qwen3-8B입니다.

ShopX 학습은 단순히 Qwen3에 새 제품 토큰을 출력하도록 가르치는 문제가 아닙니다. 프로세스가 SID에 지나치게 집중하면 모델이 제품 찾기 능력은 향상될 수 있지만, 대화 품질, 지시 따르기, 프로필 추출, 순위 매기기 또는 설명 능력은 저하될 수 있습니다.

따라서 학습 레시피는 4단계로 진행됩니다.

이 이미지는 ShopX 모델의 학습 파이프라인을 보여주며, 사전 학습과 후속 학습의 두 가지 주요 단계로 나뉩니다. 사전 학습 단계는 두 단계로 구성됩니다: 1단계는 SID 정렬로, 텍스트 코퍼스를 업데이트하여 SID 토큰을 생성합니다; 2단계는 도메인 지속 사전 학습으로, 전자상거래 코퍼스와 일반 코퍼스를 혼합하여 모든 파라미터를 업데이트하고 도메인 지식을 주입하여 최종적으로 SID 인식 기본 모델을 생성합니다.

후속 학습 단계도 두 단계로 구성됩니다: 세 번째 단계는 SFT 이행 및 전문가 SFT 학습을 포함하고, 네 번째 단계는 다중 교사 OPD+RL 공동 최적화로, 교사 선호도, 규칙 보상 및 학생 업데이트를 결합하여 최종적으로 전자상거래 기반 모델을 생성합니다. 이 프로세스는 ShopX 모델 학습의 핵심 솔루션이며, 문서에 언급된 4단계 학습 파이프라인에 해당합니다.](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/72350678-1e95-4d9e-962e-648d5123ef7c-09c27f2c-4855-412d-b3d4-7f241540c536.png)

1단계: SID 정렬

원본 모델은 고정된 상태에서 새로 추가된 SID 임베딩만 학습됩니다.

이 단계에서는 제품 텍스트와 제품 코드 간의 양방향 관계를 구축합니다. 모델은 광범위한 도메인 학습이 시작되기 전에 설명과 SID를 연결하는 방법을 학습합니다.

논문의 절제 연구에 따르면 이 정렬은 필수 준비 단계이며, 이를 건너뛰면 이후의 지속적 사전 학습 효과가 약화됩니다.

2단계: 도메인 지속 사전 학습

다음 단계에서는 다음과 같은 전자상거래 지식을 주입합니다:

카탈로그-대-SID 관계
의도-대-항목 매핑
행동-대-항목 신호
사용자 선호도 이해
제품

속성 및 관계

범용 도메인 데이터가 학습 세트에 혼합되어 파국적 망각을 줄입니다. 보고된 비율은 대략 도메인 데이터 대 범용 데이터가 2:1이며, 총 약 1140억 개의 토큰입니다.

3단계: 명령어 미세 조정

명령어 미세 조정은 도메인 지식을 사용 가능한 쇼핑 및 에이전트 행동으로 변환합니다.

데이터 세트는 대략 다음과 같습니다:

75% 범용 명령어 데이터: 명령 수행, 다중 턴 대화, 도구 사용, 수학, 코딩 포함
25% 전자상거래 데이터: 기본 SID 이행, 맥락 이해, 쇼핑 대화 포함

범용 데이터의 높은 비중은 의도적입니다. ShopX는 좁은 의미의 상품 토큰 생성기가 아닌, 유능한 언어 모델로 남아 있어야 합니다.

4단계: 다중 교사 온라인 증류 및 강화 학습

최종 단계는 팀이 시소 효과라고 부르는 문제를 해결합니다.

SID 정확도만 최적화하면 검색 성능은 향상될 수 있지만 다른 능력은 손상됩니다. 보고된 절제 실험에서 SID 전용 미세 조정 후 프로필 추출 및 순위 매기기 성능이 0으로 떨어졌습니다.

이를 방지하기 위해 학습 샘플은 다섯 가지 작업군으로 분류됩니다. 각 작업군은 서로 다른 교사 모델과 보상 신호 조합을 사용합니다. 시스템은 모든 기능을 하나의 보상에 강제로 통합하지 않고, 상품 이행, 대화, 프로필 이해, 순위 매기기, 설명을 공동으로 개선합니다.

절제 실험 결과는 여러 교사와 보상을 도입하면 동일한 수준의 간섭을 유발하지 않으면서 다양한 차원을 복원하고 개선할 수 있음을 보여줍니다.

실험 결과

ShopX는 세 가지 도구 기반 에이전트 시스템과 비교 평가됩니다:

Chat-REC
RecMind
InteRecAgent

세 가지 기준선 모두 Qwen3-8B와 타오바오의 프로덕션 검색 서비스를 함께 사용합니다. 이는 중요한 세부 사항입니다. 기준선은 약하거나 실험적인 검색 백엔드에 연결되어 있지 않습니다. 이들은 매우 큰 사용자 기반을 대상으로 하는 마켓플레이스를 위해 개발된 성숙한 검색 및 순위 매기기 시스템을 사용합니다.

평가 데이터

프레임워크 수준 평가는 익명화된 타오바오 로그를 사용합니다:

평가 세트	예제 수
단일 턴 쇼핑 요청	279
다중 턴 쇼핑 대화	80

평가는 8가지 차원에 걸쳐 루브릭 기반 LLM 판단을 사용합니다. 가장 변별력 있는 5가지 지표는 다음과 같습니다:

의도 이행: 요청이 만족스러운 상품 결과로 전환되는지 여부
상품 정밀도: 상품이 요청된 카테고리와 일치하는지 여부
제약 조건 근거: 명시적 요구 사항이 준수되는지 여부
피드백 적응: 이후 피드백이 수락된 선호도를 잃지 않고 결과를 변경하는지 여부
턴 간 참조: 이전 상품에 대한 참조가 올바르게 해결되는지 여부

![네 가지 시스템(ShopX, ChatRec, RecMind, InteRecAgent)의 성능을 8가지 차원에 걸쳐 보여주는 레이더 차트. 차원은 의도 이행, 상품 정밀도, 순위 품질, 카탈로그 범위, 개인화, 제약 조건 근거, 피드백 적응, 턴 간 참조를 포함합니다. 각 차원에는 빨간색 실선의 ShopX, 파란색의 ChatRec 등 서로 다른 시스템을 나타내는 색깔 선이 표시됩니다.]

각 차원의 점수 범위도 표시됩니다(예: Intent Fulfillment는 55%에서 75% 범위). 이 차트는 맥락과 밀접하게 연결되어 있으며 각 시스템이 다양한 차원에서 어떻게 성능을 보이는지 시각적으로 보여줍니다.](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/9dd02e71-85ce-417d-bed7-cb1c9a39886b-6f3a4768-a10e-40fb-b5e1-b1227fe9b047.png)

주요 프레임워크 결과

시스템	Intent Fulfillment	상품 정밀도	제약 조건 근거	피드백 적응	교차 대화 참조
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

ShopX는 단일 대화 Intent Fulfillment에서 Chat-REC에 비해 약간 뒤처집니다: 69.2 대 72.2. 이는 강력한 프로덕션 검색 백엔드를 갖춘 도구 기반 에이전트가 직접 요청에서도 경쟁력을 유지함을 보여줍니다.

더 큰 이점은 상태 기반 상호작용에서 나타납니다:

피드백 적응은 Chat-REC보다 11.7포인트 높음.
교차 대화 참조는 Chat-REC보다 20.8포인트 높음.

이러한 시나리오는 인터페이스 손실이 누적되기 쉬운 경우입니다. 사용자가 피드백을 추가하거나 이전 제품을 참조하거나 여러 개의 소프트 제약 조건을 활성 상태로 유지할 때, 모델 자체 실행 방식이 원래의 쇼핑 상태를 더 잘 유지합니다.

기능 수준 분석

Qwen3-8B 기본 모델과 비교하여 ShopX는 여러 쇼핑 특화 능력을 향상시킵니다.

기능	Qwen3-8B	ShopX	변화량
제품 관계 추론	28.3	49.7	+21.4
행동 시퀀스 증거 추출	16.1	52.7	+36.6
프로필 증거 추출	52.9	76.9	+24.0
SID로부터 제품 설명 복원	10.1	33.2	+23.1

또한 모델은 여러 일반 기능을 유지하거나 개선합니다:

벤치마크	ShopX 점수	Qwen3-8B 대비 변화량
BBH	74.1	+0.9
CMMLU	75.8	+1.6
GSM8K	88.6	+0.4
MBPP+	83.1	+8.0

일부 까다로운 일반 벤치마크는 하락합니다:

벤치마크	ShopX 점수	Qwen3-8B 대비 변화량
IFEval	78.4	-3.5
MMLU-Pro	59.3	-3.6
MATH-500	59.6	-16.6
GPQA-Diamond	41.4	-6.1

결과는 도메인 특화가 무료가 아님을 시사합니다. ShopX는 제품 이해와 증거

수학, 과학 및 명령 중심의 고난이도 작업에서 일부 성능을 포기하면서 정보를 추출합니다.

쇼핑 모델의 경우 이는 수용 가능한 절충안일 수 있지만, 배포 시 고려해야 할 중요한 사항으로 남습니다.

사례 분석

원본 보고서에는 ShopX를 도구 기반 기준 모델과 비교한 병행 예시가 포함되어 있습니다.

사례 1: 단일 턴 번들 주문 처리

사용자가 여성용 자전거 헬멧과 라이딩 장갑을 함께 요청합니다.

기존 에이전트는 주요 제품 카테고리에 집중하여 여러 헬멧을 검색하는 반면, 장갑 검색은 부실하게 수행할 수 있습니다. 각 검색 결과는 개별적으로 관련성이 있을 수 있지만, 전체 쇼핑 요청은 부분적으로만 충족됩니다.

ShopX는 두 카테고리를 모두 계획하고, 각 카테고리에 대한 제품을 검색한 후, 한 번의 턴 내에 조정된 번들을 반환합니다.

이미지는 단일 턴 번들 주문 처리 사례에서 ShopX의 성능을 보여줍니다. 사용자가 여성용 전기 자전거 헬멧과 라이딩 장갑을 요청합니다. ShopX는 카테고리 전반에 걸쳐 계획하고, 각 카테고리에 대한 제품을 검색한 후, 한 번의 턴 내에 조정된 번들을 반환합니다. 그림은 모델 동작, 실행, 카탈로그, 프레젠테이션과 같은 단계를 포함하여 ShopX의 처리 궤적을 보여줍니다. 또한 동일한 사례에서 ShopX-8B와 ChatRec을 서비스 턴 수, 부분 만족도, NDCG@5, 프로필 측면에서 비교하고, 반환된 제품 증거 및 응답 발췌문을 제시합니다. 이미지는 이 시나리오에서 ShopX의 운영 프로세스와 효과를 직관적으로 보여주며, 텍스트에서 소개하는 ShopX의 단일 턴 번들 주문 처리 기능을 뒷받침합니다.

이 사례는 중요한 차이점을 보여줍니다.

항목 관련성은 각 제품이 개별적으로 적합한지 여부를 묻습니다.
의도 충족은 전체 세트가 사용자의 쇼핑 작업을 해결하는지 여부를 묻습니다.

훌륭한 헬멧 목록만으로는 헬멧과 장갑 번들 요청을 충족시킬 수 없습니다.

사례 2: 상태 기반 다중 턴 쇼핑

두 번째 사례에서 사용자는 자동차 내부 장식 아이템을 찾고 있습니다.

여러 턴에 걸쳐 사용자는 스타일 선호도를 추가하고 이전 추천을 바탕으로 변경을 요청합니다. 도구 기반 에이전트는 가장 최근의 요청을 새로운 검색으로 반복적으로 해석하여 결국 원래 자동차 내부 컨텍스트에서 벗어나게 됩니다.

ShopX는 활성 상태를 유지합니다. 이전에 설정된 장면과 수락된 선호도를 유지한 후, 새로운 피드백에 응답하여 추천을 업데이트합니다.

이미지는 자동차 내부 장식 쇼핑 시나리오에서 ShopX-BB와 ChatRec 간의 대화 예시를 보여줍니다. 왼쪽은 ShopX-BB의 대화로, 사용자가 장식품에 대해 묻고 ShopX-BB가 자동차 향수, 행잉 오너먼트 등 여러 제품을 추천합니다. 오른쪽은 ChatRec의 대화로, 사용자가 유사하게 장식품에 대해 묻지만 ChatRec은 자동차 향수만 추천합니다. 하단의 빨간색 상자는 메커니즘을 요약하며, 스타일 피드백이 계획을 업데이트해야 하지만 원래 쇼핑 시나리오에서 벗어나서는 안 된다고 언급합니다. 이 이미지는 맥락과 밀접하게 관련되어 있으며 두 접근 방식의 차이점을 직관적으로 보여줍니다.

두 가지 모두 다중 턴 쇼핑 대화를 처리하는 데 있어서의 차이점을 보여줍니다.](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/06c6d08d-4595-450e-bdb8-8cab6d987e98-c3787787-63cf-479d-8141-33525a0e0db4.png)

목표는 동일한 제품을 계속 반복하는 것이 아닙니다. 안정적으로 유지해야 할 제약 조건과 사용자가 명시적으로 변경한 세부 사항을 구분하는 것입니다.

에이전틱 커머스에서 ShopX가 중요한 이유

ShopX는 AI 커머스의 광범위한 변화를 반영합니다.

1세대 쇼핑 어시스턴트는 대부분 기존 검색 시스템에 자연어 인터페이스를 추가하는 방식이었습니다. 언어 모델은 설명, 요약, 도구 호출을 담당했으며, 핵심 검색 로직은 모델 외부에 남아 있었습니다.

ShopX는 더 많은 이행 프로세스를 모델 자체에 통합합니다.

이러한 설계에는 몇 가지 잠재적 이점이 있습니다.

풍부한 의도가 단일 쿼리로 압축될 필요가 없습니다.
제품 관계를 계획의 일부로 처리할 수 있습니다.
카테고리를 넘나드는 조합 추천이 가능합니다.
사용자 피드백을 통해 지속적 상태를 업데이트할 수 있습니다.
이전 추천 결과를 직접 참조할 수 있습니다.
SID 매핑을 통해 응답이 실제 제품 카탈로그에 기반합니다.

또한 새로운 엔지니어링 요구 사항이 발생합니다.

프로덕션 시스템에는 여전히 다음이 필요합니다.

안정적인 카탈로그 동기화
재고 및 가용성 확인
실시간 가격 업데이트
정책 및 보안 제어
실제 사용자 결과에 대한 평가
사용자 프로필 및 행동 데이터 보호
잘못된 제품 도착 모니터링
추천과 거래 권한의 명확한 구분

ShopX는 의도에서 제품까지의 문제를 해결합니다. 결제, 정산, 물류, 반품, 판매자 신용 또는 에이전트 전자상거래의 다른 모든 측면은 자체적으로 처리하지 않습니다.

팀 및 연구 배경

이 연구는 타오바오와 티몰의 AI 검색 조직, 추천 및 콘텐츠 이해 팀, 알리바바 Token Foundry, 그리고 ROLL 강화 학습 팀을 포함한 여러 팀의 협업에서 비롯되었습니다.

이들의 광범위한 연구 분야는 다음과 같습니다.

AI 검색 및 에이전트 쇼핑
자연어 의도 이해
다중 턴 명확화 및 이행
생성형 추천
제품의 의미론적 ID 및 다중 모달 콘텐츠
다중 모달 표현 학습
쇼핑 에이전트를 위한 대규모 강화 학습

해당 논문은 2026년 6월 30일 arXiv에 제출되었으며, 제목은 “ShopX: 에이전트 쇼핑을 위한 의도-제품 이행 기반 모델” 입니다.

자주 묻는 질문

ShopX란 무엇인가요?

ShopX는 모델 네이티브 의도-제품 이행을 위해 설계된 전자상거래 기반 모델입니다. 의도 이해, 계획, 제품 검색, 순위 지정, 조합 추천, 비교 및 다중 턴 상태 업데이트를 하나의 쇼핑 프레임워크 내에서 통합합니다.

AI 쇼핑에서 인터페이스 손실이란 무엇인가요?

자세한 자연어 쇼핑 요청이 제한된 쿼리, 필터 또는 도구 호출로 압축될 때 인터페이스 손실이 발생합니다. 소프트 제약 조건, 제품 관계, 초기 선호도 및 상황별 맥락이 전환 과정에서 약화되거나 손실될 수 있습니다.

ShopX의 의미론적 ID(SID)란 무엇인가요?

의미론적 ID는 언어 모델 어휘 내에서 제품을 나타내는 구조화된 토큰 시퀀스입니다. ShopX가 설계한 SID는 유용한 제품 의미를 유지하면서도 자기회귀 생성 및 제품 공간 조작에 모두 적합합니다.

ShopX는 어떤 기본 모델을 사용하나요?

논문은 Qwen3-4B 및 Qwen3-8B를 기반으로 한 ShopX 변형을 설명합니다. Qwen3는 전자상거래 이행에 적응된 일반 언어, 추론, 대화 및 에이전트 기능을 제공합니다.

ShopX가 전통적인 검색 기반 쇼핑 에이전트보다 더 나은가요?

작업에 따라 다릅니다. 단일 턴 의도 이행에서는 Chat-REC가 ShopX보다 약간 우수하지만, 피드백 적응 및 턴 간 제품 참조에서는 ShopX가 더 나은 성능을 보입니다. 복잡하고 상태를 유지하는 대화에서 가장 강력한 장점을 발휘합니다.

ShopX는 여러 제품 카테고리를 함께 추천할 수 있나요?

예. 이 프레임워크는 번들 추천 및 교차 카테고리 구성을 지원합니다. 논문에는 한 번의 턴에서 자전거 헬멧과 라이딩 장갑 모두에 대한 요청을 이행하는 예시가 포함되어 있습니다.

ShopX 모델이나 소스 코드는 공개적으로 이용 가능한가요?

연구 논문은 arXiv에 공개되어 있습니다. 검토된 공식 출처는 공개 ShopX 모델 체크포인트나 전용 ShopX 소스 코드 저장소를 제공하지 않으므로 여기에 다운로드 링크는 포함되지 않습니다.

ShopX로 구매가 완료되나요?

논문은 의도-제품 이행, 즉 계획, 검색, 순위 지정, 구성 및 제품 추천 근거에 초점을 맞춥니다. 결제, 체크아웃, 물류 및 사후 판매 실행은 별도의 시스템 계층입니다.

공식 인터페이스 - 더 넓은 Qwen 모델 제품군 살펴보기

요약

ShopX는 언어 모델이 이해하는 것과 전자상거래 시스템이 실제로 실행할 수 있는 것 사이의 간극을 해소하기 위해 설계되었습니다. Semantic ID를 통해 모델에 상품 기반 언어를 제공하고, 계획, 검색, 순위 지정, 번들링, 접지 및 상태 업데이트를 하나의 프레임워크에 통합합니다.

평가 결과, 강력한 도구 기반 시스템이 직접적인 단일 턴 요청에서 여전히 경쟁력이 있는 것으로 나타났습니다. ShopX의 명확한 장점은 쇼핑 과정이 대화형이 될 때, 즉 사용자가 피드백을 제공하고, 이전 상품을 참조하며, 원래 시나리오가 계속 활성화되기를 기대할 때 드러납니다.

또한 결과는 특화의 비용을 보여줍니다. 쇼핑 특화 능력은 상당히 향상되지만, 일부 어려운 일반 추론 및 수학 벤치마크에서는 성능이 저하됩니다.

ShopX의 핵심 기여는 단순히 더 나은 상품 검색이 아니라, 쇼핑을 의도에서 상품으로 이어지는 지속적인 이행 프로세스로 취급하는 모델 아키텍처입니다.