英伟达把开源模型推进欧洲零售：Shopify 推理成本降 90%，仓库先在数字孪生里跑

英伟达在博客中集中展示了一批欧洲零售业的落地案例：从商品发现、智能体电商到仓储与门店的物理运营，用的是开源或前沿模型加英伟达的加速计算。

最具体的一组数字来自 Shopify。其工程团队用 NVIDIA Megatron Bridge 做微调、用 NeMo RL 做强化学习，后训练了 NVIDIA Nemotron 3.5 Lightning，作为接入商家助手 Sidekick 的 GraphQL 子智能体，为 Sidekick Pulse 等功能检索店铺数据。

在 Shopify 的内部基准上，这个后训练模型在准确率上超过了一个领先的前沿模型，同时把服务成本降低 90%、响应速度快 7 倍。英伟达还称，借助 CCluster vLLM 推理优化软件，Shopify 在目录丰富、商家助手、购物模拟、商品分类、买卖双方推荐这五个场景里实现了 4.5 倍性能提升和最高 12 倍的推理成本下降。

商品发现这一侧，欧洲宠物电商 Zooplus 与 Infosys、英伟达一起重建了检索栈。部署在 AWS 环境中的生产级原型，用 Nemotron Retriever 做语义检索，配合零售目录丰富蓝图生成可检索的商品属性，搜索准确率达到 86%。

图像与内容环节也有可量化的结果：Photoroom 的图像编辑 API 在 Vestiaire Collective 每天处理约 4 万张主图、覆盖 70 个国家，经其处理上架的商品成交流动性提高 5%，单个商品页面的独立浏览量增加 3% 到 7%。

欧莱雅则把数字孪生用在创意与研发两端：Omi 的 ProductDrop 工作流把每张生成图锚定到已审核的数字孪生上，跑在 RTX PRO 6000 Blackwell 服务器版 GPU 上，3D 资产生成推理加速 10 倍、管线延迟降低 4 倍；在配方筛选上，ALCHEMI 与开源分子模拟模型 OrbMol-v2 把实验周期从数月压缩到数小时。

物理世界一侧，Otto Group 与 Reply 基于 Omniverse 库、跑在 Google Cloud 上，把人监督下的自主仓储项目推进到德国 Haldensleben 的最大履约中心。新能力允许物流团队先在仿真里设计、测试和优化作业流程，再落地到实体仓库。

把这些案例放在一起看，英伟达想说明的不是某一家客户的效果，而是同一套栈可以在零售的不同层复用：开源模型负责语言与检索，数字孪生负责空间与流程，GPU 基础设施负责单位成本。对欧洲零售商而言，真正的问题在于这些百分比能否在自家数据和流程上复现。