Research & Trends

Pailitaos Fotosuche-Test steigerte die Transaktionen um 27 % und den GMV um 9 % – der durchschnittliche Verkauf wurde kleiner

Im Test „Multimodal Search“ aus dem Bericht zu Alibabas PailitaoMMSearch2.0 stiegen die Transaktionen um 27,04 % und der GMV um 8,94 %. Daraus folgt eine um rund 14 % kleinere durchschnittliche Transaktion. Der Vorsprung des Modells in den Offline-Tests liegt nicht beim Finden des Produkts, sondern beim Zuordnen passender Artikel zu einem fotografierten Produkt – und eine mögliche Quelle der Zusatzverkäufe ist das, was dazu passt.

A smartphone bearing the Taobao logo photographs a shirt on a hanger while sports shorts, a belt, sandals and a cap spill from its screen above a long till receipt of small entries.

Neritus Vale

Im Test von Pailitaos Multimodal Search hat die Kamerasuche von Taobao häufiger verkauft und, nach unserer Rechnung, pro Verkauf weniger eingenommen. Das ergibt sich aus einem technischen Bericht, den Alibaba-Ingenieure am 27. Oktober veröffentlicht haben, auch wenn das Abstract diese Rechnung nie anstellt. Eine mögliche Ursache ist genau die Aufgabe, die das neue Modell am besten beherrscht: das zu finden, was zum Produkt auf dem Foto passt, statt das Produkt selbst. Die Autoren schreiben selbst, der Onlinetest “misst das eingesetzte System als Ganzes und kann Zugewinne nicht einzelnen Komponenten zuschreiben”.

Der Bericht beschreibt PailitaoMMSearch2.0, das Modell, das inzwischen hinter Pailitao, Taobaos Fotosuche, steht. Alle Autoren nennen als Zugehörigkeit Taobao & Tmall Group of Alibaba; Xu Chen ist korrespondierender Autor und Projektleiter. Ein einziges Vision-Language-Modell liest ein Rohfoto und eine getippte Anweisung und gibt daraufhin Produktcodes aus, sogenannte Semantic IDs.

Dieses eine Modell bearbeitet jetzt Anfragen, die Alibabas interne Pipeline über einen Intent-Klassifikator sortiert. Das Paper gruppiert sie in ähnlich, Bearbeitung und passend. Die ersten Beispiele stammen aus dem Kleiderschrank: ein fotografiertes Hemd mit der Anweisung „Sportshorts dazu“ oder Sandalen mit „die Damenversion dieser Marke“.

Das Abstract stellt den Livetest als Liste von Zugewinnen dar. Es berichtet „statistisch signifikante Verbesserungen“ bei Artikelseitenaufrufen, Transaktionen und dem Bruttowarenwert (GMV). Die Tests wiesen dem neuen Modell etwa 10 % des Traffics für rund 14 Tage zu, gegen Produktions-Baselines. Nur für eine Anwendung, „Multimodal Search“, sind die Ergebnisse abgedruckt.

Zwei dieser Zugewinne bewegten sich mit sehr unterschiedlichem Tempo. Die Transaktionen im Testbucket stiegen um 27,04 %. Das ist der größte der Online-Zugewinne, noch vor den Artikelseitenaufrufen. Der GMV, also der Geldwert dieser Transaktionen, stieg um 8,94 %.

Setzt man den GMV ins Verhältnis zu den Transaktionen, ist die implizierte durchschnittliche Transaktion im Testbucket etwa 14 % kleiner als in der Kontrollgruppe.

Diese Zahl ist unsere Rechnung, und sie gilt nur, wenn beide Werte dasselbe zählen. Der Oktober-Bericht definiert seine Metriken nicht. Der Juli-Bericht desselben Teams tut es: Der GMV „misst den gesamten Transaktionswert“, und das Transaktionsvolumen ist „die Zahl abgeschlossener Kauftransaktionen“. Nach diesen Definitionen ist das Verhältnis der durchschnittliche Verkauf, ob man nun Bucket-Summen oder Werte pro Nutzer vergleicht.

Die Offline-Werte stammen von einem automatischen Bewerter, und der Bericht liefert genau eine Prüfung dafür. Von den Ergebnissen, die der Bewerter als Excellent einstuft, bestätigen zurückgehaltene menschliche Labels „von 93,6 % bis 93,9 %“, je nach Intent (Tabelle 3). Diese Zahl betrifft nur die positiven Urteile des Bewerters. Shopifys Forscher nannten für den Bewerter hinter ihren Semantic-ID-Ergebnissen keine Übereinstimmungsrate.

Die Autoren räumen ein, der Bewerter „könnte korrelierte Fehler mit den Evaluatoren teilen, die für die Datenfilterung und das Reward Modeling verwendet wurden“ (Limitationen). Diese Evaluatoren wählten die Trainingsdaten des neuen Modells aus und bewerteten seine Rewards. Die Autoren entgegnen, die unterschiedlichen Basismodelle für jede Rolle „vermeiden den Interessenkonflikt von Spieler und Schiedsrichter“. Unterschiedliche Basismodelle können dennoch dieselben Fehler teilen, und genau das ist das Eingeständnis selbst; unsere Schlussfolgerung lautet daher, dass eine etwaige Schlagseite das neue Modell begünstigen würde.

Bei der Aufgabe, für die Pailitao gebaut wurde, liegt bei der Excellent Rate weiterhin die interne Pipeline vorn. Der Dienst wurde ursprünglich vor allem dafür gebaut, denselben Artikel zu finden, berichtete Jiemian, und Kleidung gehört zu seinen stärker genutzten Kategorien. Bei Anfragen nach ähnlichen Artikeln erreichte die interne Pipeline 54,1 % Excellent (Tabelle 4). Die beste Einstellung in der Skalierungstabelle des Berichts kommt auf 50,6 %.

Bei anderen Maßen ist der Abstand kleiner. Bei ähnlichen Artikeln gleicht das 2B-Modell die interne Pipeline bei GR aus und liegt bei NDCG vorn, 0,907 gegenüber 0,874. Beim Bearbeiten ist es umgekehrt, und das Paper sagt das auch.

Beim Zuordnen passender Artikel setzt sich das neue Modell ab. Das Juli-Paper des Teams nennt „Accessoire- oder Outfit-Empfehlungen“ unter den Dingen, an denen universelle Vision-Language-Modelle in der Bildsuche scheitern. Beim Zuordnen erreichte die interne Pipeline 44,2 % (Tabelle 4), ihren schwächsten Wert. Das kleinste neue Modell erzielte 70,9 % und ist damit der bessere Stylist von beiden und der schlechtere Finder.

Der Onlinetest hat womöglich eine Mischung gemessen. Wo bereits eine ausgereifte Recall-und-Ranking-Pipeline läuft, werden die Produkte des neuen Modells laut Paper „in der finalen Darstellungsstufe mit denen der bestehenden Pipeline verschränkt“ (Onlinetests). Es sagt nicht, ob Multimodal Search eine solche Anwendung ist, noch welcher Anteil der Anfragen auf Zuordnen, Ähnlichkeit oder Bearbeiten entfällt. Falls ja, kann die alte Pipeline weiter ähnliche Artikel liefern, während das neue Modell hinzufügt, was dazu passt.

Den engsten Vergleich bietet der Juli-Bericht desselben Teams. Sein früheres Modell, Pailitao-MMSearch, wurde auf der „PeiWoGuang“-Fläche getestet, die „darauf abzielt, ähnliche Artikel zu Bildanfragen der Nutzer zu finden“ (Online-Ergebnisse). Dort steigerte generatives Retrieval die Transaktionen um 3,74 %. Der GMV stieg um 3,67 %, der durchschnittliche Verkauf bewegte sich also kaum.

Der Test des generativen Rankings auf derselben Fläche ging in die andere Richtung. Der GMV stieg um 9,94 % bei Transaktionen von 4,47 %, was den durchschnittlichen Verkauf um etwa 5 % höher legt. Das Verhältnis schwankt mit dem Modelltyp, deshalb lässt sich die Oktober-Zahl nicht als Eigenschaft generativer Suche im Allgemeinen lesen.

Der stärkste Einwand lautet, dass Pailitaos Nutzer nach niedrigeren Preisen suchen und ein besseres Modell womöglich einfach günstigere Varianten findet. Nutzer der Fotosuche fragen häufig, warum gleich aussehende Artikel so unterschiedlich viel kosten, berichtete Jiemian im vergangenen Jahr. Taobao hatte seit August 2025 jedem Pailitao-Nutzer ein KI-Werkzeug bereitgestellt, um denselben Artikel günstiger zu finden, und der Bericht datiert seinen Test nicht. Der Bewerter beurteilt Relevanz, nicht den Preis; ein Modell könnte also schlechter abschneiden und trotzdem mehr günstige Beinahe-Treffer verkaufen. Damit die These scheitert, müssten die zusätzlichen Transaktionen von diesen günstigeren Varianten stammen und nicht vom Zuordnen.

Die veröffentlichte Evidenz spricht eher für das Outfit als für das Schnäppchen. Der Retrieval-Test vom Juli hat generatives Retrieval bereits auf ähnliche Artikel angewendet, und der durchschnittliche Verkauf bewegte sich kaum. Das Oktober-Modell fügt das Zuordnen hinzu, wo sein Vorsprung vor der internen Pipeline in der Vergleichstabelle am größten ist. Der Bericht enthält keine Preisdaten und sagt, sein Test könne Zugewinne nicht Komponenten zuschreiben; keine der beiden Lesarten ist also bewiesen, nur die Zuordnungs-Lesart passt zu den Offline-Tabellen.

Die sauberste Prüfung dieser Argumentation fehlt im Bericht. Das Modell läuft außerdem in einem „Find Matching Tab“ und einem „Find Similarity Tab“ (Deployment), und für keinen von beiden nennt der Bericht Testwerte. Dennoch wurde es „in den entsprechenden Produktionsszenarien vollständig auf 100 % des Traffics ausgerollt“ (Onlinetests). Taobao hat also seinen gesamten Traffic auf das Modell gelegt, bevor Ergebnisse nach Anfragetyp gezeigt wurden.

Alibaba verdient Anerkennung dafür, beide Zahlen abzudrucken. Tencents agentisch entwickelter Recommender, über den wir gestern berichtet haben, meldete Klicks und gar keine Kaufkennzahl. Ein Händler, der einen Anbieter für visuelle Suche beurteilt, sollte Transaktionen und GMV gemeinsam verlangen und die Division nachholen, die Alibabas Abstract ausgelassen hat.

Pailitao wurde gebaut, um das Hemd auf dem Foto zu finden. Wenn Alibabas eigene Tabellen ein Maßstab sind, verdient sein neues Modell den Zuwachs womöglich an den Shorts. Das könnte ein guter Tausch sein, für Taobao und für alle, die die Shorts verkaufen. Es bliebe dennoch ein Tausch: Die Transaktionen stiegen, und der Umsatz pro Verkauf sank.