Large Behavior Model : un modèle de langage qui prédit les achats comme un jumeau numérique

En juillet 2026, des chercheurs ont présenté sur arXiv Large Behavior Model (LBM), un modèle de langage entraîné directement sur des données d'achats de détail à grande échelle, capable de servir de « jumeau numérique pilotable par prompts » du client et de prédire ses décisions d'achat.

Comment fonctionne le modèle

LBM décrit le comportement du client à travers une formulation unique « personne-environnement » (Person-Environment). L'état du client est défini par un profil comportemental construit à partir de son historique d'achats, tandis que le contexte du produit est ajouté par génération augmentée par récupération (RAG) : le modèle va chercher les informations pertinentes sur le produit pendant la génération de la réponse, au lieu de les stocker intégralement dans ses poids.

Cette approche distingue LBM des systèmes de recommandation classiques. Plutôt que de traiter le client comme un ensemble de variables (âge, historique de commandes, segment), le modèle traite le comportement comme une séquence de décisions, qui peut se décrire en texte et s'interpréter comme un modèle de langage interprète un dialogue.

L'entraînement se déroule en trois étapes :

• Continued pre-training : poursuite de l'entraînement d'un modèle de langage de base sur des données de comportement d'achat « verbalisées » (converties au format texte)
• Supervised fine-tuning : réglage fin pour générer des décisions d'achat précises
• Reinforcement learning avec récompenses vérifiables (verifiable rewards) : utilisé pour calibrer le modèle sur des données réelles plutôt que sur des préférences linguistiques générales

Sur quelles tâches le modèle a été testé

Les auteurs ont testé le modèle sur un large éventail de tâches typiques de la distribution, et non sur une seule métrique étroite, ce qui permet de juger de sa polyvalence dans le domaine. Ils ont évalué LBM sur cinq types de tâches : prédiction d'achat, discrimination des négatifs difficiles (hard-negative discrimination), complétion de panier (basket completion), réaction aux promotions et utilisation de bons de réduction entre domaines (cross-domain voucher redemption).

Sur toutes ces tâches, LBM a systématiquement surpassé les modèles de langage généralistes de niveau frontier. Il a aussi montré un fort transfert de connaissances en mode zero-shot, c'est-à-dire sans réentraînement supplémentaire, ainsi qu'après un réglage fin sur de nouveaux distributeurs et de nouveaux types de décisions sur lesquels il n'avait pas été entraîné à l'origine. C'est important en pratique : les distributeurs n'ont pas à collecter et annoter de zéro d'énormes jeux de données pour chaque nouvelle tâche ou enseigne.

Ce qui a eu le plus d'effet

Les expériences d'ablation ont montré que le continued pre-training, l'étape d'entraînement supplémentaire sur des données d'achat « verbalisées », est le principal moteur de la capacité du modèle à généraliser le comportement à de nouvelles situations. La récupération (l'ajout de contexte sur le produit) s'est révélée plus efficace lorsqu'elle est appliquée à la fois à l'entraînement et à l'inférence (inference), et non à l'un des deux seulement. Quant à l'apprentissage par renforcement, il a aidé le modèle à s'appuyer davantage sur les preuves comportementales explicites présentes dans les données que sur les « suppositions » linguistiques générales héritées du modèle de langage d'origine.

Ce que cela signifie

Le travail montre que les données comportementales issues des historiques de transactions peuvent être encodées efficacement dans un modèle de langage, ce qui offre une base évolutive pour des « jumeaux numériques » de clients : des systèmes applicables à plusieurs tâches d'analyse de la distribution à la fois, des recommandations et du marketing jusqu'à la simulation de la réaction des utilisateurs aux promotions, sans avoir à mener de coûteux tests A/B sur de vrais clients.

Le fait que le modèle soit qualifié de « pilotable par prompts » a une valeur pratique particulière : un analyste peut interroger le jumeau numérique du client en langage naturel et obtenir une prédiction ou une explication de la décision, et pas seulement une estimation numérique de probabilité. Cela réduit la distance entre l'équipe de data science qui construit le modèle et les utilisateurs métier, comme les spécialistes du marketing et les category managers, qui doivent vérifier rapidement des hypothèses sur le comportement des clients sans écrire de code analytique distinct pour chaque question.