亚马逊 A+ 页面用 AI 打分：融合模型准确率 0.94，改版后平均提 1.4 分

图片清晰、语法正确、每一项单查都合格，A+ 页面还是可能被判低质——卖点写的是 64 盎司大容量搅拌杯，配图却是一只单杯款。11 月 5 日，AWS 机器学习博客罕见公开了亚马逊给 A+ 页面打分的整套技术方案：整页渲染成一张快照，视觉语言模型加 OCR 双路打分，融合模型准确率 0.94。

先划一个重点：0.94 是模型评级与人工评级的一致率，不是「A+ 能提升 94% 的销量」。这两个数字，恰是卖家最容易搞混的地方。

据 AWS 博客披露，训练与评测覆盖 10 个类目、5478 个商品详情页，其中 49.6% 被标为高质量。1 名电商营销专家与 4 名专业标注员按多数票定标签，标注一致性 Cohen's kappa 在 0.845 至 0.915 之间。在约占 20% 的 1100 页留出集上，融合模型拿到 0.94 准确率与 0.95 F1 值，而单纯平均 VLM 分数加固定阈值的基线只有 0.80 与 0.84。

一、整页快照的逻辑

传统质检是逐图逐段查：视觉模型挑模糊图，NLP 挑语法错。AWS 博客直接点出这套方法的漏洞——逐个资产孤立评估，会漏掉资产协同产生的质量信号。

博客用搅拌机页面举例：主图清晰、要点列表语法正确、生活方式照片光线充足，单项全过；但要点宣传 64 盎司大容量，照片里却是单杯款；或者生活方式图排在主图上方，顾客先看见厨房再看见产品。这类跨模块矛盾，只有把整页当一张图看才能抓到。

于是亚马逊的解法是：把整个 A+ 内容渲染成一张快照，让视觉语言模型按「顾客看到的样子」整体评估，而不是逐模块打分。

二、八项特征喂给 CatBoost

VLM 按四项标准各打 0 至 10 分，并附置信度与理由：视觉叙事、卖点呈现、A+ 版式、转化优化。OCR 并行提取四个量化信号：文本密度、字符密度、间距、整体可读性。8 个数字一起喂给轻量级 CatBoost 分类器，预测专家标签。

工程上有个取舍值得注意：VLM 与提示词全部冻结、不做微调，只重训分类器。AWS 称，标注积累或标准变化时，更新只需一个 CPU 短任务。换更轻的 VLM，融合后准确率 0.90；换更强的 VLM，融合后 0.94——增益稳定，不依赖特定底座模型。

解释环节交给 SHAP。Models at Work 的梳理显示，留出集上影响最大的三项特征是 OCR 字符密度（平均绝对 SHAP 值 1.1）、整体可读性（1.0）与 VLM 视觉叙事（1.0）。低分页按 SHAP 排出拖分项，连同类目与最佳实践一起交给大模型，生成带优先级的修改清单。

三、1.4 分是什么口径

AWS 博客称，卖家按建议修改后，页面质量分平均提升 1.4 分（10 分制）。注意：这是系统自评分的前后对比，不是销量、也不是转化率；博客未披露样本量与对照组，愿意照建议改版的卖家本身也可能更勤快。

真正指向生意的是另一组数字：亚马逊做了全球范围 A/B 实验，调整低质 A+ 的曝光后，订单销售额出现统计显著提升——但幅度未公布。另据 AWS 博客引用的口径，使用高质量 A+ 的卖家销售额比未使用者高 8% 至 20%；亚马逊卖家官网也标注，基础 A+ 可带来最高 8% 的销售提升、进阶 A+ 最高 20%。这些均为平台自报数据，测量方法未披露。

四、博客没说的事

型号没说：所用 VLM 与 OCR 模型、每页成本、延迟与吞吐，一概未披露，别替亚马逊补细节。测试边界也没说全：留出集与训练集同源，来自同一批 5478 页与同一批标注员，作者自己承认标签无法覆盖所有类目、语言与站点。

对卖家更现实的问题是：如果这个分数影响前台曝光，误判了怎么办？ExplainX 与 Models at Work 的独立评论都指出，博客没有提到误报的申诉路径。系统层面倒是有兜底——AWS 描述了数据、模型与特征归因三类漂移监控，超过阈值自动重训。

五、改版先改文字密度

SHAP 榜单本身就是卖家的行动清单。字符密度与整体可读性排在前两位，说明文字怎么排、读不读得下去，比图堆了多少更影响得分；视觉叙事排第三，考的是图文有没有讲同一个故事。

大数跨境此前报道过卖家侧的观察：低质 A+ 页面在前端被折叠，只露出约 200 像素。需要说明，这是卖家侧的规则观察，与 AWS 博客披露的评分系统是两套口径，两者如何联动，官方尚未给出完整说明。

一句话：先把自相矛盾的图文改一致，再把密密麻麻的文字拆开，最后才轮到加图。优先级反了，改版就成了烧钱。

0.94 的吻合度，说明机器已经学会了专家的审美。但审美是否等于转化，亚马逊只给了一半答案。当 AI 分数开始影响你的流量，是照单全收，还是先跑一组自己的 A/B 测试？这个问题的答案，就藏在每个卖家的后台数据里。

六、参考资料

• AWS Machine Learning Blog：《How Amazon Marketplace evaluates content quality with Amazon SageMaker AI》
• Models at Work：《Amazon: VLM plus OCR plus CatBoost scores listings at 94% accuracy》
• ExplainX：《How Amazon Scores Product Pages With a Vision Model, OCR and CatBoost: 94% Accuracy》
• Amazon 卖家平台：《Grow your brand with engaging product listings》
• 大数跨境：《亚马逊新规解读：低质量内容将被折叠，卖家如何解决？》
• DNA Insider：《AWS details Amazon Marketplace A+ Content scoring system, reporting 94% accuracy with OCR fusion》