阿里巴巴发布 E-GenRM：用真实用户行为训练电商购物 Agent 奖励模型

阿里巴巴论文提出 E-GenRM，一个面向开放式电商购物 agent 的生成式奖励模型。它利用购物 App 中自然发生的用户行为构建长程对话轨迹，先经基于行为评估链的 SFT 学习、再用准则引导的强化学习优化，并加入个性化难负例训练与主动证据检索。在自建 E-GenRM-Bench 上，E-GenRM-27B 偏好准确率达 87.40%，超过最强基线。