Ant International zastępuje wieloetapowy potok obsługi sprzedawców jednym dostrojonym modelem Qwen3

Problem

Ant International, globalna firma płatnicza i finansowa, prowadzi agenta obsługi sprzedawców, który zajmuje się zapytaniami o płatności transgraniczne, spory o zwroty i rozliczenia e-commerce. Agent został zbudowany jako łańcuch oddzielnych modułów: skieruj pytanie, pobierz informacje, zaplanuj, wykonaj, napisz odpowiedź i sprawdź ją. Autorzy podają, że taki łańcuch gromadzi łatki na każdy dziwny przypadek, utrudnia śledzenie błędów i dodaje opóźnienie na każdym kroku. Błąd na początku łańcucha przenosi się na kolejne kroki, a opóźnienie frustruje klientów martwiących się o swoje pieniądze.

Co zbudowano

Zespół zastąpił łańcuch jednym modelem, który nazywa OneModel. Jeden model obsługuje całą wymianę: rozumie prośbę, używa narzędzi, stosuje procedury firmy i pisze odpowiedź. Reguły biznesowe i standardowe procedury operacyjne są wbudowane w parametry modelu przez dalsze trenowanie, zamiast znajdować się w oddzielnych modułach.

Model ma 8 mld parametrów i opiera się na rodzinie Qwen3 firmy Alibaba o otwartych wagach. Jest serwowany na własnej infrastrukturze Ant International z GPU NVIDIA H200 i oprogramowaniem open source vLLM.

Jak to zrobiono

Trening miał trzy fazy. Pierwsza uczyła model stabilnej wiedzy dziedzinowej firmy z podręczników, wewnętrznych FAQ i dawnych przypadków problemów. Druga wykorzystała około 200 000 przykładów z najwyższej jakości dzienników obsługi i procedur, by nauczyć model stosować procedury biznesowe krok po kroku. Trzecia użyła uczenia ze wzmocnieniem, w którym symulowany klient rozmawia z modelem, a system oceny nagradza dobre zachowanie, aby naprawić trudne przypadki brzegowe i sprawić, że odpowiedzi brzmią mniej robotycznie.

Szybko zmieniające się dane, takie jak kursy walut, nie są wtrenowane w model. Dostarcza się je w momencie każdego zapytania, co pozwala uniknąć ponownego trenowania przy każdej zmianie liczb.

Wyniki

Ant przeprowadził trwający kilka tygodni test A/B online, porównując OneModel z istniejącym potokiem modułowym w Global Merchant Service Agent. Opóźnienie spadło o ponad 50 %, z 18,7 s do 8 s, a Intelligent Resolution Rate wzrósł z 64,3 % do 83,3 %. Artykuł podaje też, że 8B OneModel osiągnął w swojej ocenie szczytowy odsetek rozwiązań 90,75 %, powyżej GPT-5.2 z 87,55 %, w ocenie, której konfiguracji artykuł nie opisuje.

Co poszło nie tak

Autorzy wymieniają wnioski z przejścia. Symulowany klient brzmiący po ludzku (95,8 % podobieństwa do człowieka wobec 96,7 % u prawdziwych ludzi) nie zachowywał się jak prawdziwy. Prawdziwi klienci prosili o człowieka w około 10 % przypadków, a symulator tylko w 1,7 %, więc zespół musiał nauczyć go okazywać zniecierpliwienie i skargi. Zaszumione etykiety ludzkie szkodziły też modelowi oceniającemu używanemu w treningu, więc zespół zbudował pętlę, która czyści etykiety. Wreszcie jeden model trudniej debugować niż łańcuch modułów, bo nie wiadomo już, który krok zawiódł.

Co warto powtórzyć

Warto zmapować kroki własnego łańcucha obsługi i policzyć, ile opóźnienia i błędów wnosi każdy z nich. Warto przenieść stabilne reguły do modelu, a lotne fakty zostawić poza nim. Warto mierzyć rozwiązywanie bez eskalacji do człowieka i testować nowy projekt względem obecnego na ruchu rzeczywistym.