Large Behavior Model: modelo de linguagem aprendeu a prever compras como gêmeo digital

Os pesquisadores em julho de 2026 apresentaram no arXiv Large Behavior Model (LBM) — um modelo de linguagem treinado diretamente em dados de compras de varejo em larga escala e capaz de servir como um "gêmeo digital consultável" de um cliente, prevendo suas decisões de compra.

Como o modelo é estruturado

LBM descreve o comportamento do cliente através de uma única formulação "Pessoa-Ambiente" (Person-Environment): o estado do cliente é definido por um perfil comportamental construído no histórico de compras passadas, e o contexto do produto é adicionado através da geração aumentada por recuperação (RAG) — o modelo "obtém" informações relevantes do produto durante a geração em vez de armazená-las completamente em seus pesos.

Esta abordagem diferencia LBM dos sistemas de recomendação clássicos: em vez de tratar os clientes como um conjunto de características (idade, histórico de pedidos, segmento), o modelo processa o comportamento como uma sequência de decisões que pode ser descrita em texto e interpretada da mesma forma que um modelo de linguagem interpreta um diálogo.

O treinamento do modelo procede em três etapas:

• Pré-treinamento continuado — ajuste fino de um modelo de linguagem base em dados de compra comportamental "verbalizados" (convertidos para formato de texto)
• Ajuste fino supervisionado — ajuste preciso para gerar decisões de compra específicas
• Aprendizado por reforço com recompensas verificáveis — usado para calibrar o modelo com base em dados reais em vez de preferências linguísticas gerais

Em quais tarefas o modelo foi testado

Os autores testaram o modelo em um conjunto amplo de tarefas típicas de varejo em vez de uma única métrica estreita, permitindo julgamento de sua generalidade dentro do domínio. Os autores avaliaram LBM em cinco tipos de tarefas: previsão de compra, discriminação de negativos difíceis (hard-negative discrimination), conclusão de cesta (basket completion), resposta a ofertas promocionais e resgate de vouchers entre diferentes domínios (cross-domain voucher redemption).

Em todas essas tarefas, LBM superou consistentemente modelos de linguagem universais de nível fronteiriço, enquanto demonstrava forte transferência de conhecimento no modo zero-shot — ou seja, sem ajuste fino adicional — e após ajuste fino em novos varejistas e tipos de decisões nos quais o modelo não foi originalmente treinado. Isso importa para a aplicação prática: os varejistas não precisam coletar e rotular conjuntos de dados massivos do zero para cada nova tarefa ou rede de lojas.

O que forneceu o maior efeito

Experimentos de ablação mostraram que o pré-treinamento continuado — o estágio de ajuste fino em dados de compra "verbalizados" — é o principal impulsionador da capacidade do modelo de generalizar o comportamento para novas situações. A recuperação (obter contexto do produto) provou ser mais eficaz quando aplicada tanto no estágio de treinamento quanto no estágio de inferência, em vez de apenas em um. E o aprendizado por reforço ajudou o modelo a depender mais de evidências comportamentais explícitas dos dados em vez de "pressupostos" linguísticos gerais herdados do modelo de linguagem original.

O que isso significa

O trabalho demonstra que dados comportamentais de históricos de transações podem ser efetivamente codificados em um modelo de linguagem e gerar uma base escalável para "gêmeos digitais" de clientes — sistemas aplicáveis imediatamente a múltiplas tarefas de análise de varejo: desde recomendações e marketing até simular reações de usuários a ofertas promocionais sem a necessidade de conduzir testes A/B caros em clientes reais.

Particularmente valioso do ponto de vista prático é que o modelo é chamado "consultável": um analista pode se dirigir ao gêmeo digital de um cliente em linguagem natural e obter uma previsão ou explicação de uma decisão, em vez de apenas uma pontuação de probabilidade numérica. Isso fecha a lacuna entre o time de ciência de dados que constrói o modelo e usuários comerciais — profissionais de marketing e gerentes de categoria — que precisam validar rapidamente hipóteses sobre comportamento do cliente sem escrever código analítico separado para cada pergunta.