Onton Ontology 1: точный товарный поиск на нейросимволике

Сан-францисская компания Onton, специализирующаяся на поиске и обнаружении товаров, выпустила модель Ontology 1 — нейросимволическую систему для сложного, разговорного и мультимодального товарного поиска. На тестовом наборе из 90 запросов, который оценивали три независимых LLM-судьи, модель достигла среднего показателя precision@10 в 0,630, тогда как Google Shopping показал 0,543, а Amazon — 0,469. Примечательно, что Onton при этом индексирует лишь около одного процента каталогов этих гигантов. Иными словами, меньший индекс в сочетании с более умной логикой рассуждений даёт заметно более релевантные результаты.

Важное уточнение: речь не идёт о весах, которые можно скачать. Ontology 1 доступна конечным пользователям на сайте Onton.com, а партнёрский доступ компания предоставляет в индивидуальном порядке командам, которые строят решения для «агентного веба». Публичного API, публичных тарифов и открытых чекпоинтов у модели нет. Практическое внедрение сегодня выглядит скорее как партнёрство, а не как установка пакета через pip install.

Классическая электронная коммерция исходит из того, что намерение покупателя сводится к категориям и атрибутам: размер, цена, материал, бренд. Но не существует фильтра «подходит для дома с питомцем» и нет фильтра «мебель, которая впишется в мою комнату». В Onton справедливо отмечают, что каталоговый интерфейс магазинов почти не менялся на протяжении тридцати лет — по сути, пользователь до сих пор ограничен теми же жёсткими полями, что и в середине девяностых.

Ontology 1 выбирает другой путь. Для запроса «секционный диван для дома с питомцем» она не доверяет ярлыку продавца — такого ярлыка может просто не быть, либо он может вводить в заблуждение. Вместо этого модель рассуждает на основе более объективных свойств: тип волокна, переплетение, конструкция — и помечает утверждения, которые противоречат данным о товаре. Учитывается и надёжность источника, поскольку часть продавцов накручивает алгоритмы, а часть отзывов бывает куплена.

Модель строит явную, проверяемую модель мира, а не просто впитывает паттерны в веса. Если в её представлении нет понятия «подходит для питомца», это рассматривается как пробел, и ответ выводится через рассуждение: сначала чистота и износостойкость, затем полиэстеровая обивка как индикатор. Полученное знание переиспользуется для последующих запросов, например «кресло для дома с питомцем» или «моющийся синий диван». Цикл самообучения работает непрерывно, постепенно повышая точность.

Компания опубликовала бенчмарк Subtext-Decor-90 вместе с кодом и данными. Три мультимодальных судьи — Claude Opus 4.8, Gemini 3.1 Pro и GPT-5.5 — оценивали первые десять видимых карточек результатов, возвращённых Onton, Amazon и Google Shopping для каждого из 90 текстовых запросов. P@10 усреднялся по судьям, а 95-процентные доверительные интервалы строились на 10 000 бутстрап-выборок, что делает сравнение статистически аккуратным.

Итоговые цифры: Onton 0,630 (доверительный интервал 0,571–0,688), Google Shopping 0,543 (0,490–0,596), Amazon 0,469 (0,417–0,521). Onton выиграла 52 запроса outright, Google — 19, Amazon — 16. Сумма равна 87, потому что на трёх запросах Ontology 1 вернула меньше десяти результатов, и пустые слоты оценивались как нерелевантные. Если исключить эти слоты, показатели становятся 0,665 у Onton, 0,549 у Google и 0,459 у Amazon.

Альфа Криппендорфа между тремя судьями составила 0,465 — то есть абсолютные значения P@10 довольно шумные и зависят от конкретного судьи. Тем не менее все три судьи расположили движки в одном и том же порядке, что укрепляет вывод о превосходстве Onton.

Из набора в 90 запросов были исключены изображения и мультимодальные запросы: Amazon Lens не поддерживает мультимодальный поиск, а Google Lens возвращает не только товары. Onton приводит отдельное сравнение на десяти запросах с изображениями против Google.

Слабые места модели сосредоточены на запросах с функциональными спецификациями, где доминируют метаданные каталога Amazon. Примеры: «лампа, которая не разбудит партнёра, если я читаю в три часа ночи» — Onton 0,4 против 0,9 у Amazon; «что-то на необычно глубокий подоконник» — 0,07 против 0,67. В Onton связывают это с шириной каталога и своим единым неспонсируемым индексом и рассчитывают, что самообучающийся цикл со временем сократит разрыв.

Граф знаний Ontology 1 работает на Ograph — собственной графовой базе данных компании. Onton сообщает, что одно ядро Ograph обгоняет SuiteSparse:GraphBLAS на 14 ядрах, примерно в сто раз превосходя его по пропускной способности на ядро. GPU-сборка работает в 43 раза быстрее CPU-варианта, а на ранних прогонах при настройке реализации показатели доходили до 1000-кратного ускорения.

Интерактивный блок на странице проводит читателя по тому же материалу: реальные запросы Subtext-Decor-90 с пообъектными оценками, пошаговый граф рассуждения «подходит для питомца», схема цикла самообучения и диаграмма бенчмарка с доверительными интервалами и альтернативными способами подсчёта.

По материалам MarkTechPost