Прорыв в точности: сравнение с гигантами
Onton, специализирующаяся на поиске и открытии товаров, выпустила Ontology 1 — нейро-символическую модель для сложного, многомодального и разговорного поиска. В независимом тестировании на наборе данных Subtext-Decor-90 (90 текстовых запросов, оцененных тремя LLM-судьями: Claude Opus 4.8, Gemini 3.1 Pro и GPT-5.5) модель продемонстрировала среднюю точность P@10 = 0.630.
Это значительно превосходит результаты лидеров рынка:
| Модель / Сервис | P@10 (Mean) | 95% доверительный интервал | Побед в 90 запросах |
|---|---|---|---|
| Onton (Ontology 1) | 0.630 | [0.571, 0.688] | 52 |
| Google Shopping | 0.543 | [0.490, 0.596] | 19 |
| Amazon | 0.469 | [0.417, 0.521] | 16 |
Важно отметить, что Onton индексирует лишь около 1% каталогов Amazon и Google, фокусируясь исключительно на вертикали «домашний декор и мебель».
Почему традиционный поиск проигрывает
Ключевая проблема классических e-commerce систем — они полагаются на жесткие категории и атрибуты (размер, цена, бренд), игнорируя контекст. Запрос «диван, который не разбудит питомца» или «мебель, которая впишется в комнату» не имеет прямого фильтра. Ontology 1 использует нейро-символический подход:
- Построение явной модели мира: Вместо того чтобы полагаться на потенциально ложные метки продавцов, модель рассуждает на основе объективных свойств (волокно, плетение, конструкция).
- Обработка отрицаний и неопределенности: Если данных о «дружелюбии к животным» нет, система выводит ответ через косвенные признаки: износостойкость, чистопригодность, тип обивки (полиэстер).
- Самообучение: Логика, примененная к одному запросу, переиспользуется в последующих (например, от «дивана» к «креслу»), создавая непрерывный цикл улучшения.
Техническая инфраструктура: Ograph
В основе работы лежит собственная графовая база данных Ograph. Onton сообщает о впечатляющих показателях производительности:
- Одно ядро Ograph превосходит SuiteSparse:GraphBLAS (на 14 ядрах) примерно в 100 раз по пропускной способности на ядро.
- GPU-версия работает в 43 раза быстрее CPU-варианта.
- При дальнейшей оптимизации скорость может достигать 1000x.
Ограничения и доступность
Модель не идеальна. В запросах, требующих глубокой функциональной спецификации (например, «лампа, не мешающая спать при чтении в 3 утра»), Amazon выигрывает за счет богатой метаданными структуры категорий (P@10 у Amazon 0.9 против 0.4 у Onton). Однако Onton ожидает, что цикл самообучения сузит этот разрыв.
Модель доступна только через Onton.com и по партнерским соглашениям. Открытых весов, публичного API или тарифных планов для самостоятельной установки (pip install) нет. Решение позиционируется как B2B-продукт для маркетплейсов и агентных платформ, где важна точность сложных запросов.
Бенчмарки
| Бенчмарк | Ontology 1 | Amazon | Google Shopping |
|---|---|---|---|
| Subtext-Decor-90 | 63% | 46.9% | 54.3% |
Жирным — лучший результат в строке. Источник цифр — официальная публикация.
Источник: MarkTechPost ↗