Onton 公布了支撑 Ontology 1 在电商搜索方面实现 2.7 倍提升主张的基准测试

Why it matters

Onton is betting that structured product knowledge can beat ad-funded keyword search. The 2.7x claim would support that case, but the missing benchmark leaves its size unproven.

Onton 联合创始人 Zach Hudson 和 Alex Gunnarson 于 7 月 29 日在 Ontology 1 在 X 上宣布，声称该 AI 模型的准确率至少比领先的电商搜索引擎高 2.7 倍，并且能够处理先前系统无法处理的查询。

Onton 随发布一并公布了 Ontology 1 基准和方法论，并在 Hugging Face 上发布了 Subtext Decor 90 评估数据集。2.7 倍的数字仍为公司报告的结果，但公开材料允许研究人员检查评估设计和底层数据集。Onton 未说明 Ontology 1 是否会作为独立模型发布、通过 API 暴露，或仅在其购物产品中使用。

此次发布推进了 Hudson 和 Gunnarson 自 Onton 以原名 Deft 运营以来一直坚持的一个技术论点：产品搜索需要结构化知识和推理，而不是再在零售商目录上叠加一个聊天界面。

Gunnarson 在 2019 年开始研究这一问题，起因是他花了大约 30 小时寻找一款带木质饰边、价格低于 $800 的灰色中世纪风格沙发。Hudson 在自学编程并搭建 Rcmmd.com 之前，在涉及电商的产品岗位工作了 11 年，他将 Rcmmd.com 描述为产品评论领域的 Yelp。两位创始人在各自项目中认识，合作了几个月，最终合并了他们的工作。

Onton 发布其基准方法论

Onton 的架构将语言与图像模型与知识图谱和推理引擎相结合。Hudson 一直主张，常规大型语言模型可以推断出可能的意图，但在产品数据不完整、不一致或为搜索结果排名而编写时会表现不佳。

这一区别在诸如“适合有宠物的家具”之类的搜索中很重要。零售商的商品描述可能完全不出现该短语，而产品的材质仍可能表明其是否耐污或抗划伤。Onton 表示，其系统能够将这些属性联结起来并返回相关产品，即便购物者的用词并未直接出现在商品列表中。

Onton 在一篇 2025 年 10 月 17 日的研究文章 中曾描述过一个独立的产品搜索实验。该测试涵盖了来自 20 个家居品牌的大约 1,000 件产品和 100 个生成的查询，结果由人工检查相关性。Onton 报告称，从产品图像生成的事实性描述通过用关于颜色、形状和材料的具体细节替代模糊、面向 SEO 的目录语言，从而提升了检索效果。

早期实验解释了 Onton 对目录质量的关注。随 Ontology 1 一同发布的材料现已提供支撑新模型声称优势的基准方法论和评估数据集。仍需独立测试以确定所报告的提升是否在其他目录、产品类别和真实查询分布中成立。

Onton 正在推动超越家具发现

Onton 在 2023 年末以 Deft 正式公开发布，并于 2024 年 9 月 5 日采用现名。Gunnarson 从 ontology 一词创造了该名称，反映出创始人将产品拆解为软件可进行推理的结构化概念和关系的努力。

该服务从家具和家居装饰起步，用户可以使用自然语言或图像搜索、生成房间概念并在视觉画布上布置产品。Onton 当前的 定价 从免费层到提供更高图像生成额度和附加设计工具的付费计划不等。该订阅结构支持 Hudson 长期以来的观点：购物搜索应该向用户收费，而不是通过赞助展示获利。

根据 Onton 提供给 TechCrunch 的数据，到 2025 年 11 月，Onton 的月活跃用户超过 200 万，之前为 50,000。该报道还称，Onton 完成了一笔由 Footwork 领投的 750 万美元种子轮，参与方包括 Liquid 2 Ventures、Parable 和 43。该轮融资将使报道中的融资总额达到约 1,000 万美元，旨在支持向服装和随后面向消费电子产品的拓展。

Ontology 1 为 Hudson 和 Gunnarson 的扩展提供了技术基础。家具搜索在很大程度上依赖于风格、尺寸、材质和视觉相似性。服装则增加了版型、尺码和个人品味，而电子产品则引入了规格和兼容性要求。一个能够准确连接这些关系的模型，可能让 Onton 在不同类别之间重复使用其搜索系统，而无需围绕关键词筛选重建每一次体验。

下一步的考验是 Ontology 1 在独立评估和超出装饰数据集的使用中，其基准优势能否经受住检验。Onton 已对其优势给出精确倍数，并公布了该结果背后的方法论和数据，给研究人员提供了审查该主张的基础。