模型在训练中怎样改变购物行为

仅看奖励，无法区分生成更短、工具使用更好、搜索更执着，还是被解决任务的构成变化。本次提取 20,480 条训练 episode / 110,997 个模型 turn，以及九个条件的 3,600 条完成评测轨迹。这是事后分析，没有新增模型采样。

指标定义

选择颜色、尺码时刷新的是同一商品页，不增加打开商品数。仅在搜索结果中出现的商品不计为浏览过的商品详情。全部可评分训练 episode 和完成评测 episode 都有完整 token 计数；技术故障单独标记。本次不重建 failed attempts 的全部请求成本。

成功路径保持短，剩余失败具有更长尾部

成功训练轨迹的均值保持在约 4.5–4.8 步，每轮中位数都是四步。失败均值由 R0 的 6.76 升至 R3 的 8.97，R2 达到 10.28；失败步数 p90 分别为 13、22、22、18.2。随着失败群体缩小，剩余任务更具有选择性。这描述剩余失败分布，不能证明训练把同一个失败任务变得更难。

R0 有 59 条技术上不可评分的轨迹，它们不进入成功/失败均值，也不被记为 reward=0 的策略失败。R0 与 R3 生成任务 ID 没有交集，无法估计训练轮次间的同任务差值；下面使用固定验证集做纵向比较。

生成缩短的证据比交互减少更清楚

同一组 400 个 bare-validation 任务上，Base → Iter80 的平均每步 token 从 282.39 降至 159.46（−43.5%），每 episode token 从 1,704.93 降至 1,021.50（−40.1%）。首次生成由 216.61 降至 129.37 token，此时尚未执行第一次搜索。这提示除了后续导航变化，生成风格本身也有所改变。

平均模型步数由 6.01 降至 5.56，但配对区间跨零；搜索数（1.298 → 1.258）与不同商品数（1.160 → 1.095）的配对差值也没有明确偏离零。因此不能把整体变化确定地概括为“搜索更少”或“步数更少”。

Base 与 Iter80 均成功的 211 个任务提供了额外切片：每步生成下降 92.32 token，95% 区间 [−102.08, −83.79]，而步数下降仍不确定。这个子集由两端 outcome 共同选择，只适合描述，不是无偏因果子组。所有区间使用 5,000 次任务配对 percentile bootstrap，描述本次训练条件下的任务变异；探索性指标未做多重比较校正。

环境动作更有效，协议解析问题却更多

固定验证集每 episode 的无效环境动作由 0.4025 降至 0.0875，而协议解析错误由 0.1475 升至 0.3475。前者问的是已提交动作在环境中是否合法，后者问的是模型输出能否解析为要求的工具调用，两种失败可以反向变化。

在两端均打开过商品的 399 个任务上，首次打开商品的结果排名从 4.96 降至 1.30；每任务翻页由 0.245 降至 0.0175。二者共同表明更倾向于靠前结果，但不能单独证明查询语义更好，也不能证明减少比较总是有益，仍需结合匹配质量和任务结果。

生成变化发生在哪些页面

按动作之前的页面将 turn 划为搜索首页、搜索结果、商品详情与协议修复，分别对应初始规划、结果选择、规格核验与格式修复。按 turn 加权的均值和 p90 可以揭示 episode 均值掩盖的长输出。

训练生成长度并不单调，每 episode 的平均每步 token 分别为 277.30、255.02、190.09、221.26。轮次边界上技能内容和训练任务都在变化，不能把曲线归因为纯参数变化，也不能直接与基于 API usage 的评测曲线共用绝对 token 标尺。

有明确选择规则的轨迹案例

下面是事后挑选的机制示例，不是随机样本，也不说明现象发生率。既包含改善，也包含退化。路径仅展示动作类别，不公开完整私有任务上下文；同分时选择较小 task ID。

下载与扩展

训练 episode 表、训练 turn 表、评测 episode、评测 turn 可用于进一步切片。汇总 JSON 包含全部 80 步、均值/中位数/p90、成功失败分布、各轮 skill-free/assisted 汇总、页面阶段统计及配对元数据。

训练内辅助条件比较是观察性的，受 q、任务分配、筛选和技能内容影响，不能当作加上最终 skill 的随机效果估计。测试结果与 W&B 诊断补充了这些行为测量。