英伟达改造欧洲零售业:从数字发现到实体运营
摘要
英伟达发布博文,汇总欧洲多家零售商与科技公司基于其开放模型和加速计算平台在电商搜索、商品图像生成、智能体助手与仓储机器人等场景的落地案例,并给出各自的性能与成本改善数据。
核心要点
- Shopify 用英伟达 Megatron Bridge 与 NeMo RL 对 Nemotron 3.5 Lightning 做后训练,集成到商家助手 Sidekick 的 GraphQL 子智能体中;按其内部基准,准确率超过某领先前沿模型,服务成本降低 90%,响应速度提升 7 倍。
- 借助 CCluster vLLM 推理优化软件,Shopify 在商品目录丰富、商家助手、购物模拟、商品分类、买卖双方推荐五个场景实现 4.5 倍性能提升、最高 12 倍推理成本下降。
- 欧洲宠物电商 Zooplus 与 Infosys、英伟达在 AWS 环境中部署原型,使用 Nemotron Retriever 做语义搜索并结合零售目录丰富 Blueprint,实现 86% 的搜索准确率。
- Photoroom 为 Vestiaire Collective 每日在 70 个国家标准化约 4 万张商品主图,经处理的商品成交流动性高出 5%,单个商品页独立浏览量增加 3%~7%;管线基于 GPU 上的 TensorRT 与 Triton Inference Server。
- Omi 的 ProductDrop 将每张生成图锚定到已审核的数字孪生,欧莱雅在 CreAItech 项目中结合数字孪生与生成式品牌场景;其 TRELLIS 3D 生成运行于 RTX PRO 6000 Blackwell 服务器版 GPU,推理提速 10 倍、管线延迟降低 4 倍。
原文佐证
- On Shopify s internal benchmark, the post-trained model surpasses a leading frontier model in accuracy while cutting serving costs by 90% and delivering responses 7x faster.
- Listings processed by Photoroom sold at a 5% higher rate of liquidity, with 3% to 7% more unique views per product page .
AI 洞察
这批案例的共同点在于“后训练小模型 + 推理优化”,而非调用最大最强的闭源模型——开放权重模型配合微调与推理栈优化,正在把单位推理成本压到原来的十分之一量级,这会削弱“模型能力即护城河”的叙事,把竞争重心转向数据、后训练工程与推理基础设施。对零售业而言,AI 的价值锚点已从推荐点击率转向商品目录质量、图像合规与仓储机器人调度等“脏活”,这类场景的壁垒在行业 know-how 而非模型本身。需注意这些数字多来自厂商与客户自报的内部基准,缺乏第三方验证,实际外推时应保持谨慎。