ShopX：面向代理式购物的模型原生基础模型

引言

购物正从短关键词搜索转向完整意图表达。

用户不再输入"防水运动鞋"，而是描述整个场景：

"我这周末要去游乐园。我想穿一套拍照好看、走一天不累、还能应付小雨的衣服。"

这个需求远不止一个产品类别。它包含了目的地、外观偏好、天气条件、舒适度要求，以及隐含的对多件搭配商品的需求。

而下一轮对话的难度更大：

"我喜欢这双鞋。给我推荐类似的，但要更软一些。"

一个实用的系统必须记住"这双"指的是哪双鞋、用户喜欢它们的原因，以及替换品是否仍符合原游乐园场景。

目前许多AI购物系统会使用大语言模型理解需求，然后将压缩后的查询传递给外部搜索和排序管道。在这个过程中，丰富的需求可能被压缩成几个关键词和筛选条件。ShopX团队将此问题称为接口损耗。

ShopX旨在通过赋予模型在产品目录中直接、结构化工作的能力来减少这种损耗。模型不再仅仅作为搜索工具周围的对话层，而是可以通过产品原生表示进行规划、检索、排序、比较、打包、解释和状态更新。

背景：为何工具中介型购物会丢失上下文

传统电商系统针对检索和排序进行了高度优化。当请求能以查询语句、筛选条件或品类目标的形式表示时，这些系统表现出色。

但代理式购物带来了不同的问题。

用户不再要求单一的搜索结果。他们可能要求系统：

• 理解现实场景
• 平衡多个软约束条件
• 记住之前对话中的偏好
• 比较替代方案
• 搭配互补商品
• 仅调整现有推荐中的部分内容
• 解释最终推荐为何符合需求

工具中介型管道通常将此过程分为多个阶段：

1. 语言模型理解请求
2. 它将意图重写为搜索查询
3. 检索服务生成候选结果
4. 排序系统

对候选人进行排序。

5. 模型将结果转换为对话式回复。

每个环节本身可能功能强大，但它们之间的接口却很狭窄。像“适合全天行走，但视觉上依然独特”这样微妙的权衡，可能无法通过传统的筛选器保留下来。像“与之前的鞋子相似，但更柔软”这样的关系，可能会被简化为笼统的相似性。

在多次交互中，问题会变得更加明显。如果每次交互都重新开始搜索，系统可能会丢失之前已接受的商品、原始场景限制条件或用户反馈背后的推理逻辑。

ShopX 采用了一种不同的设想：模型应直接在结构化的商品空间中运行，而不是不断地将其理解转换为外部搜索指令。

ShopX：一种模型原生执行框架

ShopX 将一个核心基础模型与一个轻量级的服务框架相结合。

该模型遵循四个步骤的交互循环：

1. 规划 — 解读用户意图，并确定需要哪些商品空间操作。
2. 执行 — 执行检索、排序、比较、扩展或打包操作。
3. 交付 — 返回基于实体的商品以及自然语言回复。
4. 更新 — 为下一轮交互存储新的状态、已接受的商品和偏好变化。

服务框架提供了三个核心支持界面：

• 上下文访问：用于访问用户画像、历史记录和相关行为信号
• 商品目录对接：用于将语义ID映射回真实商品
• 状态管理：用于跨轮次保留选择和约束条件

三种交付模式

该框架支持三种主要的购物模式。

意图到商品交付

针对明确的购物请求，ShopX 将完整的意图直接转换为基于实体的商品集。

这可能不仅仅涉及检索单一类别。例如，为一次完整的骑行装备请求，可能需要在一次协调的结果中返回头盔、手套和其他配套商品。

上下文增强的个性化

当请求含糊不清时，模型会利用用户画像和行为上下文来推断关键因素。

例如，针对“找点适合我通勤的东西”这样的请求，可能需要从天气、出行方式等线索中进行推断。

方法、偏好风格、历史购买记录及价格敏感度。

有状态的多轮对话执行

当用户修改先前推荐时，ShopX会更新当前购物状态，而非丢弃整份方案。

这使得系统在保留已接受商品和早期约束条件的同时，仅需更改受新反馈影响的部分。

产品空间操作

ShopX不仅限于生成产品ID序列。该论文描述了一套更广泛的操作：

• 语义ID束搜索检索
• 列表级排序
• 种子产品扩展
• 相似品与替代品检索
• 互补产品捆绑
• 跨品类穿搭或装备组合
• 产品对比
• 图文穿插回复
• 追问澄清
• 偏好与状态更新

目标是让模型负责从用户意图到可用的、基于目录的成果的完整路径。

语义ID：教会模型产品语言

ShopX的核心是语义ID（SID）。

普通数据库标识符几乎没有实际含义。它能告诉系统检索哪条记录，但标识符本身并不揭示该商品是跑鞋、浅色夹克、防水包还是自行车头盔。

ShopX在模型词汇表中添加了结构化商品标记。这些标记围绕两个需求设计：

• 可还原性： SID应保留足够信息，以推断有用的产品语义，如类别、属性和风格。
• 可操作性： 这种表示应自然适用于自回归生成，使模型能够通过标记序列检索和操作产品。

第一阶段：多模态产品表示

ShopX使用Qwen3-VL-Embedding-2B从多种来源编码产品信息：

• 产品图片
• 标题
• 结构化属性

表示包含：

• 用于粗粒度路由和高层识别的全局向量
• 用于细粒度属性的若干局部向量

训练结合了等价产品监督与软化的InfoNCE对比目标。系统还使用重建信号，使学习到的表示与类别、属性和描述信息保持关联。

第二阶段：混合码本量化

最终的SID结合了全局和局部编码：

• 基于残差量化的两级全局前缀提供稳定路由。
• 四级局部后缀增加更详细的语义区分。
• 每个码本包含8192个条目。
• 模型词汇表新增约50000个SID标记。

![该图展示了ShopX模型的架构。左侧为多向量表示阶段，产品上下文（图像、标题、属性）输入并由Qwen3-VL-Embedding-2B处理，生成全局+局部向量。中间为表示学习目标，包括对比目标和重建目标。右侧为混合码本量化阶段，包含全局残差量化（RQ-VAE）和局部向量量化，最终生成混合语义。]

ID。此图与上下文紧密相关，直观展示了模型从输入到输出的处理流程。](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/2718f029-5bdb-48f2-991d-bc2ecfc8934e-5cfa8a20-e436-4cb7-9437-ed94f9f5c4c6.png)

混合设计提升了商品区分度。

SID设计指标	仅全局方法	全局+局部方法
每个SID关联的平均商品数	126.5	13.8
SID到描述的ROUGE值	25.5	31.5

降低映射到同一SID的平均商品数，使表征更加精确。同时，描述恢复能力的提升表明这些编码保留了更多可解释的商品信息。

这很重要，因为ShopX需要SID发挥的作用不仅仅是检索键。模型必须基于它们进行推理、比较、生成组合，并连接回用户语言。

四阶段训练：超越SID预测

基础模型为Qwen3-4B和Qwen3-8B。

训练ShopX并非简单地教Qwen3生成新的商品标记。如果过程过度关注SID，模型在提升商品查找能力的同时，可能会损失对话质量、指令遵循、资料提取、排序或解释能力。

因此，训练过程分为四个阶段。

后训练阶段同样包含两个步骤：第三步是SFT完成和专家SFT训练，第四步是多教师OPD+RL联合优化，结合教师偏好、规则奖励和学生更新，最终生成电商基础模型。此过程是ShopX模型训练的核心方案，对应文档中提到的四阶段训练流程。](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/72350678-1e95-4d9e-962e-648d5123ef7c-09c27f2c-4855-412d-b3d4-7f241540c536.png)

阶段一：SID对齐

原始模型保持冻结状态，仅训练新添加的SID嵌入。

此阶段建立商品文本与商品编码之间的双向关联。在更广泛的领域训练开始前，模型学习将描述与SID连接起来。

论文的消融研究表明，这种对齐是必要的准备步骤。跳过它会削弱后续的连续预训练效果。

阶段二：领域连续预训练

下一阶段注入电商知识，包括：

• 目录到SID的关系
• 意图到商品的映射
• 行为到商品的信号
• 用户偏好理解
• 商品特征

属性和关系

将通用领域数据混入训练集，以减轻灾难性遗忘。据报道，领域数据与通用数据的比例约为2:1，总计约1140亿个词元。

第三阶段：指令微调

指令微调将领域知识转化为可用的购物和智能体行为。

数据集大致包含：

• 75%的通用指令数据，涵盖指令遵循、多轮对话、工具使用、数学和编码
• 25%的电商数据，涵盖原生SID执行、上下文理解和购物对话

高比例的通用数据是刻意为之。ShopX必须保持为一个强大的语言模型，而不是变成一个狭窄的产品词元生成器。

第四阶段：多教师在线蒸馏与强化学习

最后阶段解决了团队称之为跷跷板效应的问题。

仅针对SID准确率进行优化，可在提升检索能力的同时损害其他能力。在报告的消融实验中，仅进行SID微调后，画像提取和排序能力降至零。

为避免这种情况，训练样本被分配到五个任务族中。每个任务族使用不同的教师模型和奖励信号组合。该系统共同提升了产品履行、对话、画像理解、排序和解释能力，而无需将所有能力通过单一奖励进行强制优化。

消融结果表明，引入多个教师和奖励可以恢复并提升不同维度的表现，且不会造成同等程度的干扰。

实验结果

ShopX与三个基于工具的智能体系统进行了对比评估：

• Chat-REC
• RecMind
• InteRecAgent

所有三个基线均使用Qwen3-8B与淘宝生产搜索服务。这是一个重要细节：基线系统连接的并非薄弱或实验性的检索后端，而是面向海量用户群体的成熟搜索排序系统。

评估数据

框架级评估使用匿名化的淘宝日志：

评估集	样本数量
单轮购物请求	279
多轮购物对话	80

评估采用基于评分规则的LLM判定，涵盖

八个维度。其中五个最具区分度的指标为：

• 意图履行： 请求是否转化为满意的产品结果
• 商品精度： 产品是否匹配所要求的类别
• 约束落地： 明确要求是否得到遵循
• 反馈适应： 后续反馈是否在保留已接受偏好的同时改变结果
• 跨轮引用： 对早期产品的引用是否得到正确解析

![雷达图展示了ShopX、ChatRec、RecMind和InteRecAgent四个系统在八个维度上的表现。维度包括意图履行、商品精度、排序质量、目录覆盖、个性化、约束落地、反馈适应和跨轮引用。每个维度用不同颜色的线条代表不同系统，如ShopX为红色实线，ChatRec为蓝色。]

各维度的评分范围也已标出，例如意图满足度从55%到75%。该图表紧密关联上下文，直观展示了各系统在不同维度上的表现。](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/9dd02e71-85ce-417d-bed7-cb1c9a39886b-6f3a4768-a10e-40fb-b5e1-b1227fe9b047.png)

关键框架结果

系统	意图满足度	商品精确度	约束基础度	反馈适应度	跨轮引用
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在单轮意图满足度上略逊于Chat-REC：69.2对72.2。这表明，具备强大生产搜索后端、以工具为中介的智能体在直接请求处理上仍具竞争力。

其更大优势体现在状态交互方面：

• 反馈适应度比Chat-REC高出11.7分。
• 跨轮引用比Chat-REC高出20.8分。

这恰恰是界面损失容易累积的场景。当用户添加反馈、引用早期商品或同时保持多个软约束时，模型原生满足能力能保留更多原始购物状态。

能力层级分析

与Qwen3-8B基础模型相比，ShopX在多项购物专用能力上有所提升。

能力	Qwen3-8B	ShopX	变化
产品关系推理	28.3	49.7	+21.4
行为序列证据提取	16.1	52.7	+36.6
画像证据提取	52.9	76.9	+24.0
基于SID的产品描述还原	10.1	33.2	+23.1

该模型还保留或提升了多项通用能力：

基准测试	ShopX得分	相比Qwen3-8B的变化
BBH	74.1	+0.9
CMMLU	75.8	+1.6
GSM8K	88.6	+0.4
MBPP+	83.1	+8.0

部分高难度通用基准测试有所下降：

基准测试	ShopX得分	相比Qwen3-8B的变化
IFEval	78.4	-3.5
MMLU-Pro	59.3	-3.6
MATH-500	59.6	-16.6
GPQA-Diamond	41.4	-6.1

结果表明，领域专业化并非没有代价。ShopX在产品理解和证据追踪方面取得了显著提升，

在牺牲部分数学、科学及强指令任务性能的前提下进行信息提取。

对于购物模型而言，这种权衡或许可以接受，但这仍是部署时的重要考量因素。

案例分析

源报告通过对比案例展示了ShopX与工具辅助基准方案的差异。

案例1：单轮捆绑履约

用户同时请求女士骑行头盔和骑行手套。

传统智能体可能聚焦主要商品类别，检索多款头盔却对手套覆盖不足。虽然每项搜索结果单独看都相关，但完整的购物请求仅得到部分满足。

ShopX则跨品类规划，为每类商品检索产品，并在单轮交互中返回协调搭配的捆绑组合。

该案例揭示了重要区别：

• 单件相关性：每件产品是否单独适用。
• 意图满足度：整体方案能否解决用户的购物任务。

一份优秀的头盔清单并不能满足头盔加手套的捆绑请求。

案例2：有状态多轮购物

在第二个案例中，用户正在寻找汽车内饰装饰品。

经过多轮对话，用户逐渐添加风格偏好，并基于先前推荐提出修改要求。工具辅助智能体反复将最新请求解读为新搜索，最终偏离了汽车内饰的原始场景。

ShopX则维持活跃状态，保留已建立的场景和已接受的偏好，再根据新反馈更新推荐。

两者在处理多轮购物对话方面的表现。](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/06c6d08d-4595-450e-bdb8-8cab6d987e98-c3787787-63cf-479d-8141-33525a0e0db4.png)

目标不是永远重复相同的商品，而是区分需要保持稳定的约束和用户明确更改的细节。

为何ShopX对代理电商如此重要

ShopX反映了AI电商领域更广泛的转变。

第一代购物助手大多只是在现有搜索系统上添加了自然语言界面。语言模型负责解释、总结和调用工具，而核心检索逻辑仍停留在模型之外。

ShopX则将更多履约流程融入模型本身。

这种设计有几个潜在优势：

• 丰富的意图无需被压缩成单个查询。
• 产品关系可以作为规划的一部分来处理。
• 可以跨品类生成组合推荐。
• 用户反馈可以更新持久化状态。
• 可以直接引用早期的推荐结果。
• 通过SID映射，响应仍然基于真实商品目录。

这也带来了新的工程要求。

一个生产系统仍然需要：

• 可靠的目录同步
• 库存和可用性检查
• 价格实时更新
• 策略和安全控制
• 针对真实用户结果的评估
• 保护用户画像和行为数据
• 监控错误的产品落地情况
• 明确区分推荐与交易权限

ShopX解决了从意图到商品的问题。它本身并不处理支付、结算、物流、退货、商家信用或代理电商的其他各个层面。

团队与研究背景

该研究来自多个团队的合作，包括淘宝和天猫的AI搜索组织、推荐与内容理解团队、阿里巴巴Token Foundry以及ROLL强化学习团队。

他们的更广泛研究领域包括：

• AI搜索与代理购物
• 自然语言意图理解
• 多轮澄清与履约
• 生成式推荐
• 产品的语义ID与多模态内容
• 多模态表征学习
• 面向购物代理的大规模强化学习

该论文于2026年6月30日提交至arXiv，标题为**“ShopX：面向代理购物的意图到商品履约的基础模型。”**

常见问题

什么是ShopX？

ShopX是一个电商基础模型，专为模型原生的意图到商品履约而设计。它将意图理解、规划、产品检索、排序、组合推荐、比较以及多轮状态更新整合在一个购物框架内。

AI购物中的接口损失是什么？

当一个详细自然语言购物请求被压缩成有限的查询、筛选条件或工具调用时，就会发生接口损失。软约束、产品关系、早期偏好以及场景上下文可能在交接过程中被削弱或丢失。

ShopX中的语义ID是什么？

语义ID是一个结构化的令牌序列，代表语言模型词汇表中的产品。ShopX设计的SID能够保留有用的产品语义，同时适用于自回归生成和产品空间操作。

ShopX使用哪个基础模型？

论文描述了基于Qwen3-4B和Qwen3-8B的ShopX变体。Qwen3提供了适应电商履约的通用语言、推理、对话和代理能力。

ShopX比传统的基于搜索的购物代理更好吗？

这取决于任务。在单轮意图履约上，Chat-REC略优于ShopX，但在反馈适应和跨轮产品引用方面，ShopX表现更好。它的最强优势体现在复杂、有状态的对话中。

ShopX能否同时推荐多个产品类别？

是的。该框架支持捆绑推荐和跨品类组合。论文中有一个示例，模型在一次回合中同时满足了自行车头盔和骑行手套的请求。

ShopX模型或源代码是否公开可用？

研究论文可在arXiv上公开获取。经审核的官方来源未提供公开的ShopX模型检查点或专门的ShopX源代码仓库，因此这里不包含下载链接。

ShopX能完成购买吗？

论文重点在于意图到商品的履约：规划、检索、排序、组合和落地产品推荐。支付、结算、物流和售后服务是独立的系统层。

相关工具

• Qwen3：用作ShopX 4B和8B变体基础的开源权重基础模型系列。
• Qwen3-VL-Embedding-2B：用于编码产品图片、标题和属性的多模态嵌入模型。
• Qwen3-VL-Embedding GitHub：Qwen多模态嵌入和重排序模型的官方代码与使用示例。
• ROLL：阿里巴巴面向大语言模型和多轮代理训练的大规模强化学习框架。
• Qwen Chat：

探索Qwen模型家族更广泛功能的官方接口。

相关链接

• arXiv上的ShopX论文：官方论文摘要、作者、提交历史及PDF访问。
• ShopX论文PDF：包含架构、训练、评估及案例研究的完整技术论文。
• ShopX DOI：论文的持久DOI记录。
• Qwen3技术概述：Qwen3模型家族的官方介绍（作为ShopX的基础模型）。
• Qwen3 GitHub仓库：官方模型信息、权重及部署资源。
• Qwen3-VL-Embedding-2B模型卡：商品编码模型的官方规格与示例。
• ROLL GitHub仓库：阿里巴巴官方强化学习基础设施。

摘要

ShopX旨在弥合语言模型理解与电子商务系统实际执行能力之间的鸿沟。它通过语义ID赋予模型产品原生语言，并将规划、检索、排序、捆绑、落地及状态更新整合至同一框架中。

评估显示，在直接单轮请求场景中，强大的工具中介系统仍保持竞争力。而当购物过程转向对话式交互时——用户提供反馈、提及先前商品，并期望原场景保持活跃——ShopX的优势更为显著。

研究结果也揭示了专业化的代价：购物特定能力显著提升，而部分困难的一般推理与数学基准测试则出现下降。

**ShopX的核心贡献不在于简单的商品搜索优化，而在于提出了一种将购物视为“从意图到商品”持续履行过程的模型架构。