論文の概要: JD Oxygen AI Item Center (Oxygen AIIC) V1: An Industrial-Scale LLM/VLM-Centric Solution for Item Understanding, Management, and Applications
- arxiv url: http://arxiv.org/abs/2606.28070v1
- Date: Fri, 26 Jun 2026 13:33:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-29 18:24:25.492828
- Title: JD Oxygen AI Item Center (Oxygen AIIC) V1: An Industrial-Scale LLM/VLM-Centric Solution for Item Understanding, Management, and Applications
- Title（参考訳）: JD Oxygen AI Item Center (Oxygen AIIC) V1: 項目理解・管理・応用のための産業用LLM/VLM-Centric Solution
- Abstract要約: JD.comは7億人以上のアクティブユーザーと数百万の商人にサービスを提供しており、数百億のSKUのカタログがある。
酸素AIIC(Oxygen AIIC)は、LLM/VLM上に構築された産業用プラットフォームである。
Oxygen AIICは現在、数万のJDカテゴリをカバーし、1日に数億のアイテム更新を処理する。
- 参考スコア（独自算出の注目度）: 52.23546815210647
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: JD.com, one of the world's largest e-commerce platforms, serves over 700 million active users and millions of merchants, with a catalog of tens of billions of SKUs. At this scale, high-quality, structured item knowledge underpins a better consumer experience, lower management costs, and higher operational efficiency-yet producing and serving it poses three industrial-scale challenges: fast-emerging concepts, high-quality knowledge production for massive SKUs, and diverse downstream requirements. To address these challenges, we present the JD Oxygen AI Item Center (Oxygen AIIC), an industrial-scale platform built on LLMs/VLMs for item-knowledge production and service. Oxygen AIIC is built around four core pillars: (i) ontology engineering driven by efficient human-AI collaboration, which supports the dynamic evolution and agile expansion of an ontology with millions of entries; (ii) a "Semantic Search then Discrimination"(S2D) knowledge identification architecture that, combined with throughput improvement strategies, enables scalable, extensible, and high-throughput AI Item Library production for tens of billions of SKUs; (iii) self-evolving item-understanding LLMs/VLMs that improve in a stable and controllable manner, enabling knowledge production with 94.2% precision and 82.8% recall; and (iv) a unified item tunnel that serves as the data and service hub. Oxygen AIIC now covers tens of thousands of JD categories and processes hundreds of millions of item updates per day on Huawei Ascend NPUs. It has accumulated hundreds of billions of item-knowledge assets. Deployed across core business scenarios-including search, recommendation, operations, category planning-Oxygen AIIC has delivered measurable gains at scale. Search-traffic coverage reaches 80.4%, item-information quality issues drop by 37%, the automated fill rate of core attributes during item listing exceeds 80%.
- Abstract（参考訳）: 世界最大のeコマースプラットフォームのひとつであるJD.comは7億人以上のアクティブユーザーと数百万の商店にサービスを提供しており、数百億のSKUのカタログがある。
この規模では、高品質で構造化されたアイテム知識が、より優れた消費者エクスペリエンス、管理コストの低減、より高い運用効率を生み出すこと、そしてそれを提供することの3つの産業規模の課題である: 高速エマージの概念、大規模なSKUのための高品質な知識生産、多様な下流要求である。
これらの課題に対処するために、私たちは、アイテム知識の生産とサービスのためにLLM/VLM上に構築された産業規模のプラットフォームであるJD Oxygen AI Item Center(Oxygen AIIC)を紹介します。
酸素AIICは4つの柱の周りに構築されています。
i) 数百万のエントリを持つオントロジーの動的進化とアジャイル拡張をサポートする、効率的な人間とAIのコラボレーションによって駆動されるオントロジーエンジニアリング。
(ii) スループット向上戦略と組み合わせて、スケーラブルで拡張性があり、高スループットなAIアイテムライブラリを数千億のSKUで生産可能にする「意味探索による識別」知識識別アーキテクチャ(S2D)
三 安定かつ制御可能な方法で改善し、94.2%の精度及び82.8%のリコールで知識生産を可能にする自己進化型LLM/VLM
(iv) データおよびサービスハブとして機能する統一されたアイテムトンネル。
今やOxygen AIICは数万のJDカテゴリをカバーし、Huawei Ascend NPU上で1日に数億のアイテム更新を処理する。
数十億のアイテム知識資産を蓄積している。
検索、レコメンデーション、オペレーション、カテゴリプランニングを含む、中核的なビジネスシナリオにデプロイされたOxygen AIICは、大規模に測定可能なゲインを提供している。
検索トラフィックのカバレッジは80.4%に達し、アイテム情報品質の問題は37%減少し、アイテムリスト中のコア属性の自動補完率は80%を超えた。
関連論文リスト
- Mind the Gap: Can Frontier LLMs Pass a Standardized Office Proficiency Exam? [90.39633603556767]
コンピュータ自動化のための大規模言語モデル(LLM)エージェントは加速しているが、複雑なプロフェッショナルグレードの生産性ソフトウェアをナビゲートする能力はほとんどテストされていない。
この能力を定量化するために,中国のコンピュータランク試験(NCRE)に基づく評価を導入する。
我々は7つのフロンティア LLM をベンチマークし、スターク制限を観測した。
より強力なエージェントシステムであり、実行フィードバック、反復的修復、より広いオフィス自動化アクセスは68.8%に達するが、スコアの正当性チェックとして使われる95.5%のコミュニティ基準スコアを下回っている。
論文 参考訳（メタデータ） (2026-06-09T14:59:14Z) - Life Cycle Assessment of Pre-training the Lucie 7B Open-Source Large Language Model on the Jean Zay Supercomputer [0.038233569758620044]
本稿では,OpenLLM-Franceコンソーシアムが開発したオープンソースの多言語基盤モデルであるLucie 7Bの事前学習のライフサイクルアセスメント(LCA)について述べる。
研究範囲は、データ準備からモデル検証まで拡大し、ハードウェアインフラストラクチャの全ライフサイクルを統合する。
我々はJean Zay H100パーティションにおいて,年間417.5 tCO2eqのフットプリントを報告した。
論文 参考訳（メタデータ） (2026-06-09T13:44:21Z) - Orchard: An Open-Source Agentic Modeling Framework [124.68499958175111]
スケーラブルなエージェントモデリングのためのオープンソースのフレームワークOrchardを紹介します。
Orchard Envは、サンドボックスライフサイクル管理のための再利用可能なプリミティブを提供する軽量環境サービスである。
Orchard Envの上に、3つのエージェントモデリングレシピを構築します。
論文 参考訳（メタデータ） (2026-05-14T16:35:12Z) - An End-to-End Framework for Building Large Language Models for Software Operations [9.453014847107069]
OpsLLMは、ソフトウェア操作のためのドメイン固有の大規模言語モデルである。
知識に基づく質問応答(QA)と根本原因分析(RCA)の両方をサポートする。
7B、14B、32Bパラメータを持つOpsLLMの3つのバージョンと15Kの微調整データセットをオープンソースにします。
論文 参考訳（メタデータ） (2026-04-06T02:40:18Z) - LUMINA: LLM-Guided GPU Architecture Exploration via Bottleneck Analysis [8.471843667828994]
大規模言語モデル(LLM)推論は、GPUの広大なマルチモーダルな設計空間のために困難である。
既存の自動DSEメソッドは、しばしば違法に高価である。
我々は,AIを活用してDSE効率を向上させるLLM駆動型GPUアーキテクチャ探索フレームワークLUMINAを提案する。
論文 参考訳（メタデータ） (2026-03-06T04:47:18Z) - Immersion in the GitHub Universe: Scaling Coding Agents to Mastery [60.359983359258955]
ScaleSWEは、高品質なSWEデータを大規模に構築するために設計された、自動化されたサンドボックス化されたマルチエージェントワークフローである。
このシステムは、環境設定、テスト生成、問題記述合成のための3つの特別なエージェントをコーディネートし、5200リポジトリにわたる600万のプルリクエストを処理する。
論文 参考訳（メタデータ） (2026-02-10T15:30:19Z) - SWE-Universe: Scale Real-World Verifiable Environments to Millions [84.63665266236963]
SWE-Universeは、GitHubのプルリクエスト(PR)から検証可能な環境を自動的に構築するフレームワークである。
本稿では, 自動建築の課題を克服するために, 効率的なカスタムトレーニングモデルを用いた建築エージェントを提案する。
大規模エージェントによる中等教育と強化学習を通じて,環境の重要さを実証する。
論文 参考訳（メタデータ） (2026-02-02T17:20:30Z) - AgentIF-OneDay: A Task-level Instruction-Following Benchmark for General AI Agents in Daily Scenarios [49.90735676070039]
持続時間と複雑さが増大するタスクを効果的に処理するAIエージェントの能力は、成長を続けている。
エージェントタスクの多様性に十分対処することなく,タスクの難易度の向上を優先している。
本稿では,自然言語命令とAIエージェントを多種多様な日常タスクに活用できるかどうかを判定するエージェントIF-OneDayを提案する。
論文 参考訳（メタデータ） (2026-01-28T13:49:18Z) - Intuition to Evidence: Measuring AI's True Impact on Developer Productivity [30.02516976149379]
本稿では,企業規模でのAI支援ソフトウェア開発ツールの総合的実環境評価について述べる。
1年以上にわたり、複数のチームにわたる300人のエンジニアが、コード生成と自動レビュー機能を組み合わせた社内AIプラットフォーム(DeputyDev)を統合した。
論文 参考訳（メタデータ） (2025-09-24T02:34:11Z) - Towards Autonomous Sustainability Assessment via Multimodal AI Agents [46.77807327332175]
電子デバイスのクレードル・トゥ・ゲート二酸化炭素排出量を計算するためのマルチモーダルAIエージェントを導入する。
このアプローチは、専門家時間の数週間から数ヶ月を1分未満に短縮し、データ可用性のギャップを埋める。
炭素フットプリントは専門的なLCAの19%以内であり、プロプライエタリなデータはゼロである。
論文 参考訳（メタデータ） (2025-07-22T20:49:25Z) - Provenance Tracking in Large-Scale Machine Learning Systems [0.0]
y4MLは、W3C PROVとProvProvML標準に準拠したフォーマットでデータを収集するように設計されたツールである。
y4MLはyProvフレームワークと完全に統合されており、ワークフロー管理システムを通じて実行されるタスクの高レベルなペアリングを可能にする。
論文 参考訳（メタデータ） (2025-07-01T14:10:02Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。