Large Behavior Model: ИИ-двойник покупателя научился предсказывать покупки точнее GPT
Научная группа опубликовала в arXiv описание Large Behavior Model (LBM) — архитектуры для моделирования поведения розничных покупателей. В отличие от классических рекомендательных систем, LBM не просто предсказывает следующий товар, а формирует поведенческий профиль клиента на основе истории его покупок.
Модель использует три этапа обучения: продолженный предтренинг на вербализованных транзакционных данных, дообучение с учителем для генерации решений и обучение с подкреплением для проверки на фактических данных. Это позволяет LBM объяснять свои выводы, а не просто выдавать прогнозы.
На тестах по предсказанию покупок, различению сложных негативных примеров, заполнению корзины, реакции на промо-акции и кросс-доменному выкупу купонов модель стабильно обошла frontier-модели общего назначения, включая GPT. При этом LBM демонстрирует перенос знаний между разными ритейлерами и категориями товаров в режиме zero-shot.
Авторы подчёркивают, что ключевым драйвером обобщения поведенческих паттернов стал продолженный предтренинг. Ретривер эффективнее всего работает, если применяется одновременно на этапах обучения и инференса, а обучение с подкреплением помогает модели опираться на явные поведенческие данные, а не на языковые приоры.
Разработчики видят в LBM основу для масштабируемых цифровых двойников покупателей. Модель способна имитировать действия клиента в различных сценариях — от подбора товаров до тестирования маркетинговых кампаний — без необходимости собирать новые анкеты или проводить опросы.
Полный текст работы доступен на arXiv под номером 2607.06993.
