296浏览
京东承载超 7 亿活跃用户、数百万商家的庞大商业生态，在这片庞大的电商场域中，高质量、结构化的商品知识，是打磨极致消费体验、压缩平台管理成本、全面拉升运营效率的核心基石。可行业长期深陷三大工业化瓶颈：新概念持续井喷；百亿量级 SKU 难以批量产出高标准商品知识；搜推、运营等下游业务诉求多元。
直面行业长期无解的痛点，我们提出京东AI商品中心（JD Oxygen AI Item Center, AIIC）——一套以LLMs/VLMs为核心的工业级商品知识生产与服务平台，为行业提供完整解决方案。Oxygen AIIC 由四大支柱协同驱动：(i) 基于高效人机协同的本体工程，支撑百万级本体的动态演进与敏捷扩展；(ii) “语义搜索-判别”知识识别架构配合吞吐提升策略，实现百亿SKU的高质量、规模化、高吞吐的AI商品库生产；(iii) 自演进的商品理解大模型，推动模型能力稳定、可控地持续进化，实现精确率/召回率 94.2%/82.8%的知识生产；(iv) 作为数据与服务中枢的统一商品总线，保障商品知识的分级时效交付。
目前，Oxygen AIIC已覆盖京东万级类目，支撑单日亿级数据更新，沉淀千亿级商品知识资产，商品信息丰富度提升至原有的3.35倍。Oxygen AIIC已在搜索、推荐、运营、品类规划等核心业务中全面落地，并取得了显著的规模化正向收益，如：实现搜索流量覆盖率80%，发品核心属性自动化填充率超80%，商品信息质量问题下降37%，商品素材智能优化提升点击率9%等
完整报告已发布于：https://arxiv.org/abs/2606.28070
一、超大规模电商下的商品知识困境
在京东百亿级 SKU 的超大规模场景下，要构建一套“统一、动态演进、低人工依赖”的商品知识基础设施，我们直面三大工业级核心痛点：
1、商品知识异构、概念快速涌现。 商品知识是多源且异构，且散落在标题、主图、详情、用户查询与互联网信息中；与此同时，新概念持续涌现，且用户对商品细节刻画的颗粒度要求越来越细。依靠人工手动维护本体，时效慢、覆盖不全，早已无法支撑业务高速发展。
2、海量商品、既要保障质量又要吞吐快。 在面对百亿 SKU、万级类目、百万级动态演化本体以及日均亿级的信息变更流时，我们若简单依赖大模型逐条生产，这将带来高昂的推理成本与无法接受的延迟，且质量无法保障。
3、下游应用多样、既要支持共性又要适配特性。 搜索、发品、治理、导购、品类运营等场景，对商品知识的形态与时效诉求差异明显：商品治理强依赖实时服务，搜索推荐聚焦高吞吐近线特征，品类运营需基于业务逻辑做离线二次加工。一般的框架很难同时高效支撑这些服务模式。
图一：Oxygen AIIC 商品生命周期示意图
二、Oxygen AIIC 如何突破困境
针对行业现存一系列硬核难题，我们打造了一套以 LLM、VLM为核心的工业级商品知识生产服务平台 —— 京东 Oxygen AIIC。平台依托四大核心支柱协同驱动，打通商品知识全流程：：
- 本体工程：本体是Oxygen AIIC的知识基座，决定了商品知识丰富度。我们通过高效的人机协同，整合了沉淀多年的专家知识与大模型的通用世界知识与推理能力，构建了更新快、覆盖全、质量高的本体体系，实现低成本、高效率的动态本体迭代。
- AI 商品库：AI 商品库建立了商品与本体之间的语义映射，是下游应用场景消费的商品知识源头。面对动态演进的本体与百亿级SKU，我们设计并实现了一套涵盖“模型-数据-工程”的协同优化流水线，实现了高质量、规模化、可拓展的知识生产。
- 商品理解大模型：商品理解大模型支撑了本体与AI商品库的建设，是持续优化商品信息质量的核心动力。我们整合了全场景所需的算法能力，构建高泛化、易拓展的统一模型底座，实现模型能力可控、稳定地持续自进化。
- 商品总线：商品总线作为数据与服务中枢连接着Oxygen AIIC与业务，搭建了标准化业务服务体系。为满足下游应用对数据新鲜度和吞吐的多元化诉求，建立了分级时效生产与分发链路，为赋能下游应用提供了良好的生态。
四者共同构成一个从"规模化本体构建"到"海量知识生产与消费"的链路，既保障了商品知识的稳定与高质量，又赋予系统持续自演进的生命力。
图二：Oxygen AIIC 整体架构图
三、四大支柱携手同行
本章我们将重点介绍Oxygen AIIC的四大支柱如何协同工作：
3.1 人机协同的本体演进
本体工程要构建的是“好（高质量）、全（高覆盖）、快（高时效）”的商品知识底座，但落地路上横亘两大难题：一方面，新概念会持续涌现，纯人工定义无法兼顾时效与覆盖，而大模型规模化扩展又容易引入幻觉；另一方面，同义表达众多、语义冗余严重，不加处理会让本体体系极度臃肿，拖慢全链路知识处理效率。为此我们采用人机协同（Human-in-the-Loop）框架：专家自顶向下定义骨架，算法自底向上挖掘增量知识，二者结合实现本体动态演进。
1) 专家定义骨架（自顶向下）。专家把品类经验沉淀为结构化先验知识，规范四类核心要素——类目、属性键、属性值、场景标签。其中"类目—属性键—属性值"构成结构基础，场景标签负责场景化语义扩展。此阶段专家只对高价值、稳定性强的典型知识建模，提前划定算法挖掘边界，从源头规避错误、无效概念泛滥。
2) 算法驱动生长（自底向上）。在专家骨架约束下，我们以"知识发现 → 知识融合 → 知识验证"三段式规模化扩展本体：
- 知识发现：通用大模型不懂电商行业术语与标准，直接抽取易产生偏差。我们基于行业规范构建专属指令数据，微调得到电商领域专用挖掘模型，从海量多源数据中自动发掘商品概念。
- 知识融合：大规模的知识发现在保障了覆盖的同时会引入大量同义异构表达、造成本体臃肿。我们以"表征—聚类—筛选"三阶段消解冗余，并训练电商领域适配的专用编码模型提升实体表征质量，得到候选概念。
- 知识验证：为保障本体质量，我们构建了基于多通用大模型的协同验证框架，串行级联完成"质量校验（合理性、重复性）→ 重要性评估（规模、趋势）→ 专家终审入库"。该机制不仅关注"知识是否正确"，更进一步衡量"知识是否重要"，在保障本体质量的同时兼顾覆盖率与热点追踪。
在人机协同模式下，我们沉淀百万量级高质量本体（含属性、产品词、品牌等），其中商品平均刻画维度提升至 1.44 倍、本体规模提升 64.5%，本体对用户流量覆盖率达 80.4%。
图三：本体工程pipeline
3.2 S²D 架构与高吞吐的知识生产
AI 商品库负责在商品本体与海量非结构化商品信息之间建立连接。工业级 AI 商品库为支撑百亿级 SKU与百万级动态演化本体，承接日均亿级的SKU信息变更流并高时效赋能核心场景，需同时满足两点：一是传统端到端建模易在本体迭代、分布外数据下性能退化，频繁重训成本高昂；二是海量高质量商品知识生产下，难以平衡吞吐与算力开销。为此，我们把“高质量 + 可扩展 + 高吞吐”作为一体化建设目标，设计了贯穿“模型—数据—工程”的协同优化体系。
1) S²D（语义搜索—判别）架构
落地调研中我们发现，直接用大模型生成商品属性值，存在两大难以解决的硬伤：本体持续变化，模型需要频繁重训；而且通用大模型直接生成属性值的精确率有限，千亿参数模型也不足 80%，并且幻觉严重。
为此，我们提出了Semantic Search-Then-Discrimination架构（S²D) ，先进行语义检索再判别结果对错。语义检索阶段，我们根据商品信息通过语义检索相关本体，从动态的本体库中召回 Top-K 候选。判别阶段基于Top-K候选集，进一步完成SKU与本体的精确匹配。
我们利用合成数据微调得到领域适配的表征模型和判别模型，并通过将动态本体外挂为知识库，实现与模型参数解耦，本体演化无需重训模型。这套方案把 “自由生成” 转化为 “有限候选内筛选”，大幅降低任务难度，有效遏制幻觉，让 AI 商品库能够轻松适配不断新增的商品本体。
2) 高吞吐生产
S²D 保证了"识别得准"，但在百亿 SKU 的规模下，如果对每个 SKU 都跑一遍完整链路，相当一部分算力会耗在重复计算上。这是因为我们在数据中观察到三类典型现象：其一，同一商品常有大量 SKU 在售（比如不同店铺挂的同款 iPhone 17 Pro Max），会被反复识别；其二，属性分布极不均衡，通用属性高频出现，长尾小众属性仅适配极少商品，全量遍历会浪费大量资源；其三，同一 SPU 衍生多条 SKU，商品介绍、核心特征高度重合，识别需求高度一致。
据此，我们把优化目标从"所有 SKU × 所有属性"的全量扫描，改成"差异化 SKU × 高相关属性"的选择性计算：系统先判断识别结果能否复用、筛选需要处理的属性，仅将必要样本送入 S²D 执行推理。落到实现上，具体做三重优化：
- 双重计算减负——SKU 维度上，语义检索匹配同质商品，如果结果可复用，则直接跳过推理；属性维度上，在 S²D 前加一道属性相关性探测，先筛出与商品高相关的属性、滤掉低相关的，把“全属性扫描”变为“高相关属性探测”；
- 缓存复用——S²D 的 Prompt 由指令、商品信息、属性键及候选值组成，我们发现同一 SPU 下不同 SKU 约 85% 信息相同。我们通过 Prompt 结构优化、Cache-Aware 局部性保障与显存管理调优复用共享前缀，避免重复 prefill；
- 异步流水并行——向量生成、语义搜索、判别分别跑在 NPU 和 CPU（Faiss 集群）上，是典型的异构协同，调度不当就会产生算力气泡。我们用 L0 细粒度数据并行叠加 L1 跨 Chunk 异步流水，保障最大的资源利用率。
基于上述流程，AI商品库的算法识别达到 92% Precision / 78.3% Recall；对比商家自填数据，平均每个 SKU 的属性数提升至 1.5 倍，商品知识资产规模（SKU×key×value）提升至 3.35 倍、达千亿量级，其中 AI 生产数据占 70%、商家自填占 30%。"计算减负 → 缓存优化 → 异步并行"三段协同，使整体吞吐效率提升 10 倍以上。
图四：AI 商品库流程图
3.3 稳定可控的模型自演进
上述内容保障了基础可用的Oxygen AIIC生产流程，但是要让系统长期可靠并持续演进，需要一套稳健可控的模型迭代框架。它需应对四类问题：通用模型缺乏行业知识；频繁全量微调低效且易灾难性遗忘；关键细粒度特征易被噪声淹没；少量隐蔽的识别缺陷难以靠盲目加数据修复。为此我们构建了 Oxygen AIIC 商品理解大模型框架，以统一多任务基座为核心，叠加增量学习、指令遵循知识表征技术，并结合模型自演进框架，实现系统稳定可控的迭代。
图五：商品理解大模型
1) 商品理解大模型（多任务基座）
通用大模型缺少电商行业的专家知识，为此我们把知识抽取、知识识别这些高度相关的任务放到一起做多任务指令微调，将相关知识注入同一个底座。这样领域知识能在任务间共享，也不必为每个任务单独维护一个模型，管理成本随之下降。底座由此建立起对商品、本体（Ontology）和常见任务的通用理解，成为 Oxygen AIIC 的模型能力底座——商品理解大模型。
2) 增量学习（不重训基座、敏捷扩能）
随着Oxygen AIIC支持领域的拓展，新领域知识的缺乏，仅依赖商品理解大模型是不够的，但如果把整个基座模型重训，不仅成本高效率低，还容易触发灾难性遗忘。因此我们采用 Task-free 轻量增量机制：通过训练轻量化"专家"，并加入专家池，基座模型本身不动，再利用动态路由机制，实现新领域的快速适配。这里有两个关键设计。
其一是基于 LoRAM 的专家训练：传统 LoRA 的更新幅值偏低，收敛慢、效果上限也受限，我们从"幅值原则"（Magnitude Principle）出发优化了它的初始化，在不额外占显存、不加预处理成本的前提下，让它拟合速度更快、上限更高。
其二是基于 GROLE 的动态路由机制：面对众多专家，我们通过一个自适应选择器根据输入和任务指令，给每个专家算一个融合权重（非负、加起来为 1），最终输出就是底座和这些专家的加权组合。这个权重不是固定的，而是用组内相对策略优化（GRPO）学出来的，让模型在同一套架构里既保住通用语义理解、又能做特定领域的逻辑判定。
随着系统的演进，专家池中专家会越挂越多，所以系统还会周期性做一次全量微调，把这些分散的增量能力沉淀回基座。增量负责快速扩能，全量负责长期整合。
图六：增量学习，基于幅值驱动初始化与专家动态融合的增量适配机制总体架构图
3) 指令遵循知识表征（先推理、后表征）
知识表征是把商品、用户 Query 和标准化本体映射到同一个向量空间，方便大规模对齐和检索。但由于商品信息繁杂，关键细粒度特征易被噪声淹没，比如一款手表，“防水级别”的信息隐藏于冗长的信息中： “防水能力再升级，支持IP68级防尘防水，并通过TÜV南德2米24小时严苛测试”。这时如果直接把整段描述编码成向量，结果会被营销话术主导，跟正确的本体对不齐。为了让表征模型抓住真正决定属性的那部分信息，我们采用“先推理、后表征”的策略实现了高质量表征：
基于隐式思维链蒸馏的推理型表征（InstEmb）：为了兼顾推理能力与大模型的推理效率，我们采用了隐式思维链（Latent CoT）蒸馏策略，在输入序列后面挂几个可学习的特殊token的"推理标记"，训练时用一个冻结的教师模型当监督，让学生在这些标记位置去拟合教师的推理隐状态。这样一次前向就把需要推理才能得到的核心知识压进了向量，不增加自回归生成的开销。
基于谱结构的自适应噪声注入（FANoise, SDE）：光有推理还不够，细粒度的弱信号容易在训练中被淹没，于是我们对每个批次的表征做奇异值分解（SVD），再按谱分布分方向加噪：主导方向多扰动一些，抑制过拟合；弱信号方向少扰动，把细粒度信息保护住。我们通过这种方式获取更鲁棒的表征。
图七：知识表征训练架构
4) 模型自演进（数据闭环）
最后一类问题最棘手：在如此规模大场景下，少量隐蔽的识别缺陷难以靠单纯加数据修复。我们如果只看模型的宏观指标，却不去诊断模型失败的具体原因、针对性补充样本，则补充的数据大概率没有意义，甚至会产生负面影响。以往的模型优化依赖算法工程师针对大量badcase的人工分析，自动化程度低且容易产生偏差。针对此类情况，我们走通了"数据评估 → 数据分析 → 数据合成 → 数据筛选"四阶段闭环：从线上反馈与主动探测样本中，按证据一致性、模型置信度、扰动稳定性识别 Badcase/Hardcase；对其做缺陷归因，把"结果错误"转化为"缺陷原因与修复建议"；据此定向合成高信息密度的修复样本；再用基于认知差距（现状模型与专家模型的损失差 ）的价值度量筛选高价值数据（TANDEM, BLADE）。整套机制把模型迭代从盲目补数据转向按缺陷定向修复。
图八：模型自演进总体架构图
经多任务 SFT、增量适配、指令遵循表征与自演进后，我们端到端商品知识生产达到 94.2% Precision / 82.8% Recall，较上一阶段（C2）分别提升 2.2 与 4.5 个百分点，且仅 0.8% 的属性精确率下降超过 5%，整体保持稳定；新增本体从"属性键挖掘到数据生产完毕"的周期由 30+ 天缩短至 2 周。
平台层面，底层算力平台统一兼容昇腾 NPU 的训练与推理，并支持离线集群弹性调度，实现全链路算力复用与稳定高效运行。
3.4 分级时效的数据与服务中枢
在面对海量的商品与复杂的下游应用环境时，商品知识的生产与消费面临了众多困境，例如：知识的新鲜度、版本一致性问题、存算效率、服务碎片化等。为此，我们建设了商品总线（Item Tunnel），连接上游商品数据、推理集群与下游业务，生产侧统一组织离线/近线/实时加工，消费侧提供统一的数据与算法服务，主要解决四个工程问题：
- 分级时效：按商品价值与变化频率把生产分为离线（构建知识基线）、近线（分钟级增量）、实时（仅强时效高价值商品，并按需过滤减少低收益推理），在保障关键场景低延迟的同时兼顾新鲜度与成本。
- 版本一致性：多链路并发生产下，在"商品+属性"粒度按版本顺序写入与覆盖、状态类计算只读最新状态，避免旧结果覆盖新结果。
- 存算效率：统一本体、分片存储与任务调度串联大数据集群与异构推理集群，上游先聚合裁剪、推理侧按分片调度并复用可复用结果。
- 统一服务：把碎片化对接收敛为标准服务，业务差异用配置与服务形态承载，而非为每个场景重复建接口。
商品总线支撑每日亿级 AI 商品库更新，提供秒级、分钟级、天级三档时效能力，已服务搜索、广告、营销、C 端导购、商品运营、B 端发品与平台治理等核心场景。
四、落地与结果
Oxygen AIIC 通过商品总线对本体、AI商品库、商品理解大模型等能力做标准化输出，我们支撑 C 端用户、B 端商品管理和平台运营，使 Oxygen AIIC 真正成为驱动业务高质量增长的知识基础设施。
- C 端购物：我们将本体与AI商品库赋能了搜索各环节，比如，召回、相关性、Query 理解等，搜索商品信息质量问题占比下降 37%，并应用于搜索导购、筛选等功能；为商详提供智能短标题、核心卖点与参数解读、功能解释，帮助用户更快理解商品价值；AI 导购则以 Oxygen AIIC 为知识底座，为对话式导购与智能比选提供结构化商品知识。
- B 端经营：品类规划结合用户行为、行业趋势与市场表现，识别供需缺口与用户偏好，把原本两三周的分析压缩到天级；智能发品以商品理解模型、AI 商品库与本体库为基础支持属性预填，核心属性自动填充率超 80%，从源头提质提效；商品运营将品类 Know-how 用于素材与文案优化，从高转化商品图中提炼视觉规则，带来约 9% 的点击率提升。
- 平台运营：接入盘货与选品等场景，并结合用户行为构建了高潜兴趣、竞品意向等人群包，支撑广告投放与 Push 运营；支撑了发品前合规拦截与发品后巡检，自动识别类目、属性错误并推动整改；价格管理基于结构化信息与图文特征构建同品识别能力，准确率超 90%、覆盖京东零售实体类目，支撑同款比价、大促控价与异常价格识别。
五、One Step Further
当前Oxygen AIIC已取得阶段性成效，但我们仍然处于初级阶段，在超大规模落地仍有很多挑战。我们后续将沿三条主线继续深入：
- 本体侧：从"概念建设"走向"关系建设"。 后续我们需要着力于关系，完善本体的关系类型，增强图推理能力，实现京东多年行业 Know-how 的沉淀复用，为关系型消费（如 GraphRAG、Agent 化导购与决策）打好底座。
- AI 商品库侧：让数据消费反向驱动生产。 我们需要建立更及时的线上 badcase 发现与修复机制，把"消费—反馈—再生产"的数据飞轮真正跑起来。
- 模型侧：持续缓解灾难性遗忘。 在提升垂类能力的同时保持通用能力稳定的同时，我们需要探索 MoE 扩专家、任务简化、知识注入式 prompt 等更高效、灵活的手段，增强系统的可拓展性。
我们将围绕这些方向持续迭代，使 Oxygen AIIC 从阶段性建设成果，逐步演进为可长期运行、可持续更新的商品知识基础设施。
