Large Behavior Model: نموذج لغوي يتعلّم التنبؤ بالمشتريات كتوأم رقمي

قدّم باحثون في يوليو 2026 على arXiv نموذج Large Behavior Model (LBM)، وهو نموذج لغوي مدرَّب مباشرةً على بيانات ضخمة عن مشتريات التجزئة، ويمكن أن يعمل «توأمًا رقميًا قابلًا للتوجيه بالأوامر النصية (promptable)» للمتسوّق، فيتنبأ بقراراته الشرائية.

كيف يعمل النموذج

يصف LBM سلوك العميل ضمن صياغة موحّدة تقوم على ثنائية «الشخص — البيئة» (Person-Environment). تُحدَّد حالة المتسوّق عبر ملف سلوكي مبني على تاريخ مشترياته السابقة، بينما يُضاف سياق المنتج عبر التوليد المعزَّز بالاسترجاع (retrieval-augmented generation, RAG): يستدعي النموذج المعلومات ذات الصلة بالمنتج أثناء توليد الإجابة نفسها، ولا يخزّنها كاملةً في أوزانه.

يختلف هذا النهج عن أنظمة التوصية التقليدية. فبدلًا من التعامل مع المتسوّق كمجموعة سمات (العمر، تاريخ الطلبات، الشريحة)، يعالج النموذج السلوك كسلسلة من القرارات يمكن وصفها نصًّا وتفسيرها بالطريقة نفسها التي يفسّر بها النموذج اللغوي الحوار.

يمرّ تدريب النموذج بثلاث مراحل:

• Continued pre-training — مواصلة تدريب نموذج لغوي أساسي على بيانات المشتريات «المُحوَّلة إلى نص» (verbalized)، أي المنقولة إلى صيغة نصية
• Supervised fine-tuning — ضبط دقيق لتوليد قرارات شراء محدّدة
• Reinforcement learning بمكافآت قابلة للتحقق (verifiable rewards) — يُستخدم لمعايرة النموذج استنادًا إلى بيانات فعلية، لا إلى تفضيلات لغوية عامة

على أي مهام اختُبر النموذج

اختبر المؤلفون النموذج على مجموعة واسعة من المهام المعتادة في تجارة التجزئة، لا على مقياس واحد ضيّق، وهو ما يتيح الحكم على شموليته داخل هذا المجال. وقيّم المؤلفون LBM على خمسة أنواع من المهام: التنبؤ بالشراء، والتمييز بين الأمثلة السلبية الصعبة (hard-negative discrimination)، وإكمال السلة بالمنتجات (basket completion)، والاستجابة للعروض الترويجية، واسترداد القسائم عبر نطاقات مختلفة (cross-domain voucher redemption).

تفوّق LBM في جميع هذه المهام بثبات على النماذج اللغوية العامة من فئة frontier. كما أظهر نقلًا قويًا للمعرفة في وضع zero-shot، أي دون تدريب إضافي، وكذلك بعد التدريب الإضافي على تجّار تجزئة جدد وأنواع قرارات جديدة لم يتدرّب عليها النموذج في الأصل. وهذا مهم من الناحية العملية: فلا يحتاج تجّار التجزئة إلى جمع مجموعات بيانات ضخمة ووسمها من الصفر لكل مهمة جديدة أو سلسلة متاجر جديدة.

ما الذي أحدث أكبر أثر

أظهرت تجارب الاستئصال (ablation) أن continued pre-training، أي مرحلة التدريب الإضافي على بيانات المشتريات «المُحوَّلة إلى نص»، هو المحرّك الرئيسي لقدرة النموذج على تعميم السلوك على مواقف جديدة. وكان الاسترجاع (retrieval)، أي استدعاء سياق المنتج، أكثر فاعلية عندما يُطبَّق في مرحلتي التدريب والاستدلال (inference) معًا، لا في إحداهما فقط. أما reinforcement learning فساعد النموذج على الاعتماد أكثر على الأدلة السلوكية الصريحة في البيانات، بدلًا من «الافتراضات» اللغوية العامة الموروثة من النموذج اللغوي الأصلي.

ماذا يعني ذلك

يُظهر هذا العمل أن البيانات السلوكية المستخلصة من سجلات المعاملات يمكن ترميزها بفعالية داخل نموذج لغوي، للحصول على أساس قابل للتوسّع لـ«التوائم الرقمية» للمتسوّقين، أي أنظمة تصلح لعدة مهام في تحليلات التجزئة في آن واحد: من التوصيات والتسويق إلى محاكاة استجابة المستخدمين للعروض الترويجية دون الحاجة إلى إجراء اختبارات A/B مكلفة على عملاء حقيقيين.

وتكتسب صفة «قابل للتوجيه بالأوامر النصية» (promptable) التي يوصف بها النموذج قيمة عملية خاصة: إذ يستطيع المحلّل مخاطبة التوأم الرقمي للمتسوّق بلغة طبيعية والحصول على تنبؤ أو تفسير للقرار، وليس مجرد تقدير رقمي للاحتمال. ويقلّص ذلك المسافة بين فريق علم البيانات الذي يبني النموذج ومستخدمي الأعمال، من مسوّقين ومديري فئات، الذين يحتاجون إلى اختبار فرضياتهم حول سلوك العملاء بسرعة ودون كتابة شيفرة تحليلية مستقلة لكل سؤال.