行业与实践 · 研究与基准测试

我们自己跑的基准，和对公开数据的核对。结论附带方法与局限。

研究与基准测试2026-09-1610 分钟
测试集宏平均 F1 为 0.615：阿里参与的基准用淘宝行为核验消费价值
5440 段淘宝购买过程，测试集 544 段由专家从零标注。B2V-Verifier 宏平均 F1 0.615，基线最高是 GPT-5 的 0.417。引言写的大约 34% 没有落到表上的某一格。
研究与基准测试2026-07-217 分钟
HR@1000 从 0.7735 到 0.8651，线上 GMV 涨 1.64%：淘宝搜索怎么测生成式检索
相对 FORGE，HR@1000 从 0.7735 到 0.8651，差 9.16 个百分点。强化学习那一行 HR@5000 更高，但没有上线。线上 1% 流量、38 天，GMV +1.64%，没有绝对值。
研究与基准测试2026-07-139 分钟
1% 流量 GMV 高 1.06%：淘宝把成交排序写进生成式 DocID
3 亿商品上，CRID 站内转化 HR@20 比最强对照高 3.72 个百分点，HR@1000 高 9.10 个百分点。1% 流量、30 天：IPV +0.18%，订单 +0.54%，GMV +1.06%。站内深位 HR@1000 相对最强向量检索低 3.02%。