跳转至

京东 Oxygen AIIC：工业级百亿商品大模型商品中心

Ch01.944 京东 Oxygen AIIC：工业级百亿商品大模型商品中心

📊 Level ⭐⭐ | 6.9KB | entities/jd-oxygen-aiic-industrial-item-center.md

京东 Oxygen AIIC：工业级百亿商品大模型商品中心

京东 Oxygen AI Item Center（arXiv: 2606.28070），以 LLMs/VLMs 为核心的工业级商品知识生产与服务平台，覆盖万级类目、支撑亿级日更新、沉淀千亿级商品知识资产。

摘要

Oxygen AIIC 是京东推出的面向百亿级商品的 AI 商品中心，解决了电商场景中商品知识异构、概念快速涌现、海量商品吞吐及多样化下游应用等核心痛点。系统以四大技术支柱为基础：人机协同本体演进、S²D 语义搜索—判别架构、商品理解大模型自演进体系、以及分级时效的商品总线。在落地业务中，搜索流量覆盖率达 80%，商品信息质量问题下降 37%，发品核心属性自动填充率超 80%，同品识别准确率超 90%。

核心要点

  • 人机协同本体演进：专家定义骨架（自顶向下类目/属性键/属性值/场景标签）结合算法驱动生长（知识发现→融合→验证），构建百万级本体，商品刻画维度提升 1.44 倍，本体规模 +64.5%，用户流量覆盖 80.4%
  • S²D 架构（语义搜索—判别）：将"自由生成"转化为"有限候选内筛选"，本体演化无需重训模型。三重高吞吐优化（SKU 计算复用 + 属性相关性探测 + 缓存共享前缀）实现吞吐效率 10× 提升，Precision 92% / Recall 78.3%
  • 商品理解大模型自演进：多任务指令微调基座 + LoRAM 幅值初始化 + GROLE 动态路由 + InstEmb 推理型表征 + FANoise 谱结构噪声注入。端到端 Precision 94.2% / Recall 82.8%，新增本体周期从 30+ 天缩短至 2 周
  • 商品总线（Item Tunnel）：分级时效（离线/近线/实时）+ 版本一致性 + 存算效率 + 统一服务，支撑每日亿级 AI 商品库更新
  • 业务效果显著：搜索流量覆盖率 80%，信息质量问题下降 37%，发品属性自动填充率超 80%，素材优化点击率提升 9%，同品识别准确率超 90%

深度分析

从"人工维护"到"自演进"的本体治理范式转变

Oxygen AIIC 最核心的突破在于将商品本体从静态的人工维护模型转变为动态的自演进系统。传统电商平台的本体维护面临"概念快速涌现、人工维护时效慢"的致命瓶颈——一个新品类出现后可能需要 30 天以上才能完成本体定义。AIIC 的四阶段自演进闭环（数据评估→分析→合成→筛选）将这一周期压缩到 2 周，同时通过 LoRAM 和 GROLE 实现增量学习，避免了全量重训的成本。这意味着系统在不断吸收新商品知识的同时，不会遗忘已有的本体结构。

S²D 架构的设计智慧

语义搜索—判别（S²D）架构是 AIIC 吞吐效率的关键创新。它将属性知识抽取拆解为两步：先用语义检索召回 Top-K 候选，再做精确匹配判别。这种"先粗筛后精判"的设计带来了几个关键优势：本体演化只需要更新检索索引而无需重训判别模型；SKU 间共享前缀缓存（同一 SPU 下 85% 信息相同）极大减少了重复计算；异步异构流水线（NPU 向量生成 + CPU Faiss 搜索）充分利用了异构计算资源。

商品理解大模型的技术栈集成度

AIIC 集成了一系列前沿技术： - LoRAM（幅值初始化） 相比传统 LoRA 在低资源场景下提供更好的初始化起点 - GROLE（GRPO 动态路由） 利用 GRPO 学习专家路由权重，实现模型能力的动态分配 - InstEmb（指令遵循知识表征） 通过隐式 CoT 蒸馏，Latent CoT 标记实现一次前向同时完成推理和表征 - FANoise（谱结构噪声注入） 基于 SVD 分解按谱分布加噪，保护细粒度弱信号不被过拟合淹没

这些技术的组合使得 AIIC 的模型能够在持续学习新知识的同时保持对已有知识的稳定性。

与电商知识图谱的关系

Oxygen AIIC 与传统的电商知识图谱（KG）有本质区别：KG 侧重实体关系和推理，而 AIIC 以 LLM/VLM 为核心，更强调从多模态商品数据（图文、参数、描述）中自动抽取和生成知识。两者在商品总线层面可以互补——KG 提供关系推理能力，AIIC 提供知识生产能力。

实践启示

  1. 本体自演进是电商 AI 化的基础设施级能力：在商品概念快速变化的电商场景中，人工维护本体的时效性瓶颈无法通过增加人力解决。AIIC 的"专家骨架 + 算法生长"模式值得所有大规模商品管理平台借鉴。

  2. S²D 架构优于纯生成式方法：在属性知识抽取这类高精度任务上，语义检索+判别（S²D）比直接依赖 LLM 生成更加可控和高效。本体演化的灵活性来自检索索引的更新，而非模型重训。

  3. 增量学习的设计原则：LoRAM + GROLE 的组合展示了增量学习在工业级场景的正确使用方式——不是简单地在旧模型上微调，而是通过幅值初始化和动态路由控制新旧知识的平衡。

  4. 共享前缀缓存是 SKU 级别数据去重的关键：同一 SPU 下 85% 的信息相同意味着巨大的计算浪费可以被避免。在类似场景（多 SKU 共享主图/描述）中，缓存策略比模型优化更容易带来数量级的吞吐提升。

  5. 分级时效架构是亿级更新的兜底方案：离线/近线/实时三级通道确保搜索、发品、治理等不同时效要求的场景各取所需，避免统一的高实时性要求带来的基础设施成本爆炸。

相关实体

→ 原文存档