Le récupérateur génératif que Snap fait tourner en production construit chaque représentation d’article à partir de quatre champs : titre, marque, catégorie et image. Aucun d’eux ne change quand l’article cesse d’être vendable. EGR, publié sur arXiv le 25 juillet et actif dans les Dynamic Product Ads de Snap, est à ce jour le compte rendu public le plus détaillé d’un LLM assurant la génération de candidats à l’échelle grand public, et il repose sur une hypothèse que le prêt-à-porter ne peut pas se permettre : que tout ce qui est récupérable reste achetable.

Le geste central du papier est un repli par rapport à l’architecture que le domaine appelle jusqu’ici la génération de candidats génératifs. La plupart des systèmes de cette famille quantifient les articles en identifiants sémantiques discrets et laissent le modèle émettre directement ces tokens — c’est ce qu’on veut dire quand on dit que l’index a migré dans les poids. EGR abandonne cette couche. Un unique modèle de base Qwen3-VL-Embedding 2B encode métadonnées d’articles et historiques utilisateurs dans un même espace, et le côté articles est écrit dans un index approximatif de plus proches voisins tout à fait ordinaire. La surface entraînable avoisine 41 millions de paramètres, essentiellement des matrices LoRA et une tête de projection — ce qui indique à quel point il s’agit d’un encodeur généraliste figé, et à quel point peu de choses ont réellement été apprises sur le commerce. Le catalogue reste hors du modèle, dans une structure qu’on peut reconstruire sur un calendrier donné — l’inverse de la direction que Meta et Shopee ont pointée quand ils ont retiré le modèle par défaut à deux tours.

En l’espace de quatre mois, Snap a publié à la fois un plaidoyer pour les identifiants sémantiques et un système qui refuse de les utiliser. En avril, l’entreprise avait documenté l’usage de SID en production, un papier SIGIR rapportant des déploiements sur plusieurs modèles de production avec un impact positif sur les métriques, présenté en partie comme un remède au renouvellement rapide des identifiants d’articles que produisent les Dynamic Product Ads. EGR, en juillet, détaille au contraire les coûts de cette même conception : quantification, vocabulaires d’identifiants mutables, ancrage token-article, et le fait que « la mise à jour du catalogue exige d’assigner des identifiants aux articles nouveaux ou modifiés ». Cinq auteurs figurent sur les deux papiers. Les deux textes ne s’accordent pas sur la question de savoir si le renouvellement du catalogue est un problème que les identifiants sémantiques ont résolu ou un problème qu’ils ont créé ; ce qui a écarté l’architecture la plus soignée, de l’aveu même d’EGR, n’était pas la précision — c’était la complexité.

Le mot « disponibilité » n’apparaît nulle part dans le papier EGR, pas plus que « stock », « en stock » ou « rupture de stock ».

Ce silence est justifié pour Snap et disqualifiant pour un distributeur. La Marketing API de Snap elle-même porte la disponibilité comme un champ de catalogue à cinq états, aux côtés de la taille et de l’item_group_id, et traite ces trois éléments comme des propriétés de filtrage appliquées à une recherche de produit plutôt que comme des signaux internes au récupérateur. Cette répartition du travail tient quand l’erreur coûte peu : un produit récupéré mais mort coûte un emplacement d’enchère, et l’enchère a d’autres enchérisseurs. Sur le site propre d’un distributeur, la même erreur coûte la session. L’acheteur qui clique et découvre que sa taille a disparu n’est pas resservi par une enchère concurrente. Il part.


L’échec se concentre au lieu de se disperser, et c’est la partie que l’architecture aggrave à mesure qu’elle s’améliore. Sur-récupérer puis filtrer est la réponse standard, et elle fonctionne quand l’indisponibilité est rare et répartie aléatoirement dans l’index. Le prêt-à-porter ne remplit aucune des deux conditions. Le stock s’épuise le plus vite là où la demande est la plus forte, c’est-à-dire exactement là où pointe le classeur — si bien que les unités qui disparaissent en premier sont celles que le système voulait le plus montrer. Et parce qu’EGR construit ses représentations à partir du titre, de la marque, de la catégorie et de l’image, les tailles d’une même robe partagent toutes leurs entrées et se retrouvent voisines par construction, ce qui permet à une liste de tête de tourner presque entièrement invendable tout en ressemblant, aux yeux du récupérateur, à un résultat solide. Un récupérateur plus précis resserre encore ce regroupement.

L’objection la plus solide est que la récupération n’a jamais été censée connaître le stock. Snap a maintenu fixes le classement en aval, l’enchère, la politique et le rendu sur l’ensemble de ses bras A/B — ce qui est le bon choix expérimental, et aussi le bon choix de production, puisque les contraintes appartiennent à la couche qu’on peut modifier sans réentraîner un modèle. Pour que l’argument développé ici échoue, une seule condition doit être remplie : l’ensemble de candidats doit arriver assez large, et assez varié, pour que retirer les articles indisponibles laisse malgré tout une sélection présentable. EGR ne communique pas son K de production, et ne précise pas si les variantes de taille sont fusionnées avant l’indexation. Un marchand capable de répondre à ces deux questions pour sa propre pile technique devrait prendre l’objection au sérieux. Là où la réponse est un K restreint sur un flux au niveau des variantes, le filtrage ne sauve pas la sélection — il la vide.

L’architecture fonctionne là où le corpus s’y prête, et il existe des preuves de production en ce sens. Le groupe Taobao et Tmall d’Alibaba a rapporté que son canal de rappel génératif représente 72,63 % des achats sur TmallAPP — une part qu’aucune source de récupération expérimentale n’atteint par hasard. Ce système fonctionne sur un corpus que ses propres auteurs décrivent comme « massif et fréquemment mis à jour », et il a été construit avec des identifiants de cluster sémantiques et une étape d’apprentissage par renforcement spécifiquement pour survivre à ce renouvellement. Si les fournisseurs continuent de revendre aux distributeurs une conception à la Snap comme une découverte conversationnelle sans intégrer de chemin de disponibilité dans la couche de récupération elle-même, les déploiements qui tiendront seront ceux qui auront traité la mutabilité du catalogue comme une entrée architecturale plutôt que comme un filtre en aval.

Le choix qui se présente à un distributeur qui achète cette année est plus étroit que ne le suggèrent les présentations commerciales. La récupération générative constitue une réelle amélioration dans la façon dont un système trouve des choses qui ressemblent à ce que quelqu’un cherche, et les chiffres de Snap ne sont pas décoratifs : une hausse de conversion de 2,91 % à ce volume est un déploiement, pas une démonstration. Ce que l’architecture ne fait pas, et ne prétend pas faire, c’est savoir ce qui peut être vendu. Un marchand qui l’achète comme une amélioration de la découverte en obtient une. L’acheter comme un remplacement de la logique de disponibilité déjà en place dans l’ancienne chaîne de génération de candidats déplace le catalogue dans le modèle et laisse le stock à l’extérieur. Or c’est le stock que le client venait acheter.