行业趋势：电商入口与AI购物范式的演变 - 大模型时代下，电商入口正从“关键词搜索”转向用户以自然语言进行的“意图表达”，用户需求变得复杂、场景化且包含多重约束[1] - 当前业界主流AI+电商方案存在“接口损耗”瓶颈，即大模型将复杂购物意图传递给外部检索系统时，丰富的上下文信息被压缩为有限的关键词，导致多轮、个性化场景下的体验下降[2] - 行业探索方向正从让模型“会调用搜索工具”转向让模型“能在商品空间中履约”，即模型需直接理解并操作商品，理解商品间的相似、替代、互补和组合关系[3] 解决方案：ShopX模型原生商品履约框架 - ShopX的核心思路是让大模型自身直接操作商品空间，而非将意图翻译给外部系统，以此减少接口损耗[2][5] - 框架由中心模型和轻量级Serving Harness组成，支持三种服务模式：显式购物请求履约、基于上下文的个性化推荐、以及有状态的多轮跟进修改[5] - 该框架旨在成为AI购物中的履约模型，能完成检索、排序、选品、跨品类搭配、商品对比、文本与商品交织回复等多种操作[5] 核心技术：语义ID构建与模型训练 - 每个商品被编码为一段语义ID，构建时强调“可恢复性”和“可操作性”，采用全局+局部混合编码方案[7] - 混合编码将单个SID平均挂载商品数从126.5降至13.8，区分度提升近10倍，同时语义恢复能力从25.5提升到31.5[7] - 模型训练采用四阶段渐进策略，包括对齐、领域持续预训练、指令微调和多教师在线蒸馏与强化学习，以平衡SID预测能力与通用对话、排序、解释等购物Agent所需的多维能力[8][10][11][12][13] - 多教师蒸馏阶段成功解耦了不同能力维度的优化，避免了模型退化为纯SID预测器并导致其他能力归零的“跷跷板效应”[15] 性能评估：框架与能力表现 - 在基于淘宝真实日志的评估中，ShopX-8B在多轮有状态交互场景下优势显著：在反馈适应能力上领先Chat-REC方案11.7分，在跨轮引用能力上领先20.8分[21] - 在单轮意图直接满足方面，ShopX略低于结合了强大搜索后端的Chat-REC方案，表明后者在直接请求上仍有竞争力[21] - 相较于基座模型，ShopX在多项核心购物能力上有大幅提升：商品关联推理提升21.4分，行为序列证据提取提升36.6分，画像证据提取提升24.0分，商品描述恢复提升23.1分[23] - 模型在保持大部分通用能力的同时，在高难度推理和数学等对购物场景非核心的能力上有所下降，这是领域训练的权衡结果[23] 应用案例：与传统方案的场景对比 - 在单轮复杂需求场景中，ShopX能直接理解用户的整体购物目标，在商品空间中联合规划多个品类，一次性完成捆绑购物，实现真正的单轮捆绑履约[25] - 在多轮连续对话场景中，ShopX能将整个购物过程建模为持续演化的状态，在保留历史推荐和约束的基础上仅调整新增需求，实现有状态履约，保持推荐的一致性与连贯性[27]