Alibaba 推出 UserArena 基準與 OPTD 方法，提升長程購物代理模擬保真度
Alibaba 研究團隊發布 UserArena 基準測試，包含逾 6 萬條真實用戶軌跡，並提出 On-Policy Trajectory Distillation (OPTD) 方法，在模擬器保真度與生產環境政策效應重現上表現最佳。
本文重點
- Alibaba 發布 UserArena 基準與 OPTD 方法，提升長程購物代理模擬保真度。
- 基準含 64,729 條軌跡，OPTD 在模擬器保真度與政策效應重現上表現最佳。
- Hugging Face 上無公開模型或資料集，程式碼授權未標示。
- 本站上線
- 2026/10/28 上午02:20
- 首次報導
- 2026/10/22 上午08:00
- 最早來源發布
- 2026/10/22 上午08:00
研究在做什麼
Agentic recommendation（代理式推薦）旨在透過一系列依賴上下文的決策來達成購物者目標。開發與評估這類策略需要忠實的推薦世界模型，以捕捉互動式購物環境以及用戶在長程互動中的行為反應。現有的資源很少提供長程、細粒度的真實用戶軌跡，也缺乏支持軌跡級評估以及針對生產環境 A/B 測試結果進行離線驗證的能力。 Hugging Face 每日精選論文
Alibaba 研究團隊引入了 UserArena，這是一個真實世界的電子商務互動基準測試。該基準包含來自 11,010 名用戶的 64,729 條會話軌跡，涵蓋 566,102 個商品項目和 13 種動作類型。UserArena 將這些軌跡與互動環境配對，並支持針對受控生產環境 A/B 測試結果進行離線驗證，從而實現從輸出有效性、局部決策到序列行為、個人化及最終結果的五級評估。 原文
方法
為了提高模擬器在這些長程互動中的保真度，研究團隊提出了 On-Policy Trajectory Distillation (OPTD，即基於軌跡級意圖的在策略軌跡蒸餾)。OPTD 利用軌跡級意圖，在學生模型生成的軌跡（rollouts）上提供密集的教師目標（teacher targets），以指導模擬器的學習過程。 Hugging Face 每日精選論文
結果
實驗結果顯示，在 UserArena 的評估協議下，OPTD 在評估的模擬器中達到了整體最佳保真度。此外，OPTD 在離線模擬中最接近地重現了生產環境中的政策效應。 Hugging Face 每日精選論文
程式碼與資料
本站 2026-10-28 整理（資料來自 Hugging Face 論文頁與 GitHub，由程式查詢，不經模型撰寫）：
- 研究機構（Hugging Face 標示）：alibaba
- 程式碼：RecGPT-Team/UserArena｜8 顆星｜最後更新 2026-10-23｜授權 未標示
- 專案網頁：https://recgpt-team.github.io/UserArena-Page/
- 模型與資料集：Hugging Face 上沒有連結到這篇論文的公開模型或資料集
來源：佐證 1 筆
媒體轉述新聞媒體的報導
- Hugging Face 每日精選論文 · UserArena: Benchmarking Interactive User Simulation for Long-Horizon Shopping Agents10/22 上午08:00
這篇對你有用嗎？
留言 0
- 還沒有留言，第一則就是你的。
留言不用登入；名字選填，沒填就顯示「匿名會員」。含連結或疑似廣告的留言會先經編輯確認；檢舉達 3 次的留言會自動隱藏。隱私政策
發現錯誤？
回報會進入待處理清單；核實後更正，並在文中註記更正紀錄。