Onton发布Ontology 1：神经符号搜索模型，电商搜索准确率超谷歌、亚马逊2.7倍

神经符号架构：超越关键词与向量检索

Onton是一家总部位于旧金山的搜索与发现技术公司，近日正式发布Ontology 1——一款面向复杂、对话式、多模态商品搜索的神经符号（neurosymbolic）模型。与传统电商搜索依赖关键词匹配或向量相似度不同，Ontology 1构建可解释、可检验的世界模型：它不盲信卖家标注（如‘宠物友好’），而是基于更客观的产品属性（纤维类型、织法、结构工艺等）进行逻辑推演，并交叉验证产品数据与用户评价的一致性；同时对信息源可信度加权，识别刷单评论或算法操纵行为。当遇到未明确定义的概念时（如‘宠物友好’），模型将其视为知识缺口，自主推理出替代指标（如易清洁性、耐用性、聚酯面料），并将该推理路径复用于后续类似查询（如‘宠物友好椅子’），形成持续自学习闭环。

实测性能：家居垂直领域显著领先

Onton发布了名为Subtext-Decor-90的基准测试集，包含90条真实家居装饰类文本查询。测试由三款多模态大模型——Claude Opus 4.8、Gemini 3.1 Pro与GPT-5.5——作为独立裁判，对Onton、Amazon与Google Shopping各自返回的前10个结果卡逐一评分。结果显示：Ontology 1平均Precision@10为0.630（95%置信区间[0.571, 0.688]），Google Shopping为0.543（[0.490, 0.596]），Amazon为0.469（[0.417, 0.521]）。Onton在52个查询中胜出，Google获19次，Amazon获16次；其余3次因Ontology返回结果不足10条而计为无效槽位。若剔除这些空槽，Onton的P@10升至0.665，进一步拉开差距。值得注意的是，三名裁判间Krippendorff’s alpha仅为0.465，表明绝对分值存在噪声，但排名顺序高度一致。

应用场景与行业适配

Ontology 1当前仅索引家居装饰与家具品类，目标客户为中大型零售商、电商平台及具身化电商（agentic-commerce）基础设施提供商。其核心价值体现在长尾、需求密集型查询上——例如‘能放进异常深窗台的物件’或‘不会在凌晨3点读书时吵醒伴侣的台灯’。前者暴露了Ontology当前短板（Onton得分0.07 vs Amazon 0.67），Onton归因于单一垂直领域索引与缺乏类目级元数据支撑，预期通过自学习循环逐步弥合。典型应用包括：自然语言站内搜索、情绪板（moodboard）驱动的商品发现、含否定词的精细筛选（如‘非皮革沙发’）、商品与评论可信度评分，以及为购物智能体提供语义锚定层。

技术底座：自研图数据库Ograph

支撑Ontology 1知识图谱的是Onton自主研发的图数据库Ograph。官方数据显示，单核Ograph性能超越SuiteSparse:GraphBLAS在14核CPU上的表现，吞吐量提升约100倍；GPU加速版本较CPU版快43倍，早期调优已触及1000倍加速潜力。该基础设施使复杂逻辑推理与实时图遍历成为可能，是神经符号范式落地的关键支撑。

商业模式：合作优先，无开放API

Ontology 1已上线Onton.com供终端用户直接使用，但不提供公开API、定价方案或模型检查点下载。企业接入需经个案评估，目前采用深度合作伙伴模式，而非‘pip install’式的即插即用。Onton强调，该模型对小目录商家增益有限，其解决的核心问题——目录规模扩大与商品信息噪声加剧导致的相关性衰减——随SKU数量增长而愈发显著。