Alibaba réentraîne l'agent de 1688 chargé de trouver des usines sur les requêtes des acheteurs, et aucun test ne compte une commande
Un article d'Alibaba indique que G-CAST, désormais déployé dans Yuancai, l'espace de travail d'achat de 1688, réentraîne l'agent sur les requêtes quotidiennes des acheteurs, avec une récompense elle-même révisée et un audit humain de cette récompense ramené à 30 minutes par cycle. Aucune des mesures qu'il définit n'est une commande, un échantillon ou un litige d'acheteur, et la seule annonce de changement de modèle sur le site ne nomme aucun modèle.

Neritus Vale
Selon un article d’Alibaba, l’agent qui présélectionne des usines sur 1688, le site de vente en gros d’Alibaba, est réentraîné sur les requêtes quotidiennes des acheteurs et évalué selon une règle qui est elle-même révisée. Le champ de saisie de son espace de travail, Yuancai (源采), invite les visiteurs à formuler une demande : des usines réputées près du Zhejiang, fabriquant des T-shirts d’été personnalisés en petites séries et envoyant des échantillons gratuits. Aucune des mesures que l’article définit n’est une commande, un échantillon approuvé ou un litige ; une présélection Yuancai se traite donc comme le devis d’un fournisseur : datée, archivée et vérifiée.
G-CAST, déposé sur arXiv le 13 novembre par quatre auteurs d’Alibaba Group, « est désormais déployé dans Yuancai », indique l’article. Celui-ci décrit Yuancai comme un produit d’agent destiné aux acheteurs professionnels, doté de modes assistant généraliste, recherche rapide et assistance par la connaissance.
Chaque cycle de G-CAST rejoue des requêtes de production sélectionnées avec le modèle accepté, à raison de huit réponses chacune. Une requête dont les huit réponses obtiennent toutes un score inférieur au score de référence du cycle part en fine-tuning supervisé, si une réponse vérifiée existe. Les résultats mixtes vont à l’apprentissage par renforcement, et les requêtes dont toutes les réponses dépassent la référence passent au suivi de régression. Un candidat ne devient le modèle accepté qu’après une « évaluation cumulative » sur des tâches nouvelles et sur des tâches déjà acceptées.
La règle de notation, la récompense de l’article, est traitée comme du code susceptible d’être faux. Quand les réponses suggèrent qu’elle les juge mal, l’entraînement se met en pause pendant qu’une seconde boucle la révise et teste la nouvelle règle hors ligne et sur un lot d’audit. L’agent et la règle qui l’entraîne changent ensemble.
L’essentiel de ce que la récompense évalue relève du comportement de l’agent, pas de ce que reçoit l’acheteur. Son terme de format mesure « le respect des règles de sortie et d’interaction requises plutôt que l’exactitude de la tâche ». D’autres termes pénalisent les faits non étayés et les rapports d’échec de recherche livrés sans rien en main, et vérifient que l’agent a choisi puis suivi la bonne compétence. La version d’évaluation ajoute des composantes de « résultat de la tâche », que l’article ne définit pas.
Le test de la stratégie de données de l’article est noté selon cette règle. Dans le tableau 3, le modèle de base, une version FP8 de Qwen3-4B-Thinking-2507, obtient 0,7331 sur l’ensemble des requêtes de test ; le tableau 2 de l’article situe ce même modèle à 0,6501 sur cette suite. Le tableau classe ce score sous « Task Performance », mais c’est toujours le score de la récompense. Le fine-tuning sur des exemples choisis selon la méthode de l’article l’a porté à 0,7800.
Sur un site d’approvisionnement, la colonne « Sel. Acc. » du même tableau se prête facilement à un contresens. Il s’agit de la précision de sélection des compétences, qui consigne si « la compétence requise est correctement sélectionnée » : quelle procédure l’agent a invoquée, et non quel fournisseur il a choisi. Avec la méthode de l’article, elle atteint 73,25 %, une mesure qui, selon les auteurs, ne « diffère que légèrement » d’une stratégie de données à l’autre.
Quand le résumé promet de nouveaux comportements « sans sacrifier les capacités précédemment acceptées », l’acceptation désigne un score, pas une vente. L’ensemble de test cumulatif de l’article compte 400 requêtes de production, figées avant l’entraînement et notées par la récompense finale. L’article ne fournit aucune ventilation par catégorie : il ne peut donc pas dire comment l’agent se comporte sur l’habillement. La page d’accueil de Yuancai met pourtant en vitrine une comparaison d’usines sous-traitantes pour la lingerie sans coutures (无缝内衣的代工厂对比分析, notre traduction).
Une version antérieure de la récompense a été prise en train de bien noter des détails non étayés. L’audit des réponses à score élevé par les auteurs, sans taille d’échantillon indiquée, a trouvé des groupes affichant des taux de faux positifs de 84 % pour l’usage abusif de résultats de recherche et de 82 % pour les entités hallucinées. Dans chacun, l’agent avait appelé un outil de recherche plausible et produit malgré tout des « identifiants d’offres, URL, prix ou numéros de téléphone non étayés par les éléments renvoyés ». La réponse a été la pénalité d’ancrage.
G-CAST a aussi fait gagner du temps humain sur l’audit lui-même. En déploiement, l’effort d’audit humain de la récompense, soit le contrôle humain de la règle, est passé d’environ deux jours-personnes à 30 minutes par cycle.
G-CAST a ramené ce que l’article appelle « délai entre la demande et l’acceptation » d’environ une semaine à deux jours. Si l’acceptation signifie la mise en ligne, l’agent que consulte un acheteur peut changer quelques jours après l’apparition d’un nouveau type de demande.
Ses barrières refusent bel et bien. Elles ont renvoyé trois points de contrôle candidats et deux versions de récompense proposées, sur un total que l’article ne donne pas. Les cas, précise-t-il, sont « documentés dans l’annexe E ».
L’annexe E ne figure pas dans la version publiée le 13 novembre, qui s’arrête à ses références. L’annexe B et les tableaux d’annexe cités dans le texte manquent également. Les lecteurs voient ce que les barrières laissent passer, et rien de ce qu’elles ont arrêté.
Le modèle qui répond aux acheteurs n’est pas indiqué non plus. Les expériences partent de Qwen3-4B-Thinking-2507, un modèle de quatre milliards de paramètres publié par l’équipe Qwen. L’article ne nomme jamais le modèle qui sert le trafic de Yuancai, bien qu’il parle de « modèle déployé ». Ses limites déclarées incluent « une application de production longitudinale et une famille de modèles principale ».
La page d’annonces de Yuancai liste sept annonces ; la plus ancienne date du 23 mars, et l’une concerne un modèle. Le 25 août, une bannière annonçait que « Yuancai a évolué en secret ! » (源采偷偷进化啦!, notre traduction). Un nouveau modèle était en ligne pour son assistant généraliste (新模型已上线), disait-elle, avec des réponses plus rapides et plus fiables. Elle ne nommait aucun modèle et ne donnait aucune version.
Le code du site montre qu’un modèle peut être affiché. Il contient un sélecteur de modèle, intitulé « modèle actuel » (当前模型), qui n’apparaît que lorsque l’adresse contient « pre- » et qu’un indicateur showModelSelect est activé. L’adresse qu’utilisent les acheteurs, cai.1688.com, ne contient pas « pre- ».
G-CAST versionne le modèle, la récompense et les preuves, et laisse à l’acheteur le soin de versionner la réponse.
La principale objection est qu’il s’agit d’une maintenance responsable. Laissé tel quel, le modèle d’origine obtenait 0,1877 sur la récompense de base pour les tâches de la période la plus récente, qui apportait des outils de bac à sable, de fichiers et d’export ; les autres chiffres de l’article utilisent la récompense complète. Un réentraînement encadré par des barrières épargne cette dégradation aux acheteurs, et les modèles rejetés montrent que les barrières mordent. La thèse tombe si une récompense plus élevée signifie de meilleures usines pour l’acheteur.
Rien dans l’article ne teste ce lien. Son pénalité d’ancrage, le terme le plus proche de l’intérêt de l’acheteur, vérifie que les entités d’une réponse sont étayées par la demande et par les réponses des outils. Ce n’est pas la même chose qu’une fiche produit véridique ou une usine solide. Comme pour l’affirmation de 1688 selon laquelle l’IA amorce environ 40 % de sa demande, qui n’a jamais dit où ces requêtes aboutissaient, la mesure s’arrête avant la commande.
Pour une marque qui s’approvisionne en vêtements sur 1688, le coût est un travail d’archivage. Selon la bannière, une demande de T-shirt saisie avant le 25 août et la même demande saisie après pouvaient atteindre des modèles d’assistant généraliste différents, et la bannière n’en nommait aucun. 1688 pourrait imprimer la version du modèle à côté de chaque réponse : G-CAST la versionne, et le code du site définit déjà un appel pour en obtenir le nom. Tant que ce n’est pas fait, l’historique des versions d’une présélection se limite à ce que l’acheteur note.