本文包含联盟链接：通过文中链接注册或购买，我们可能获得佣金，不影响你的价格，也不影响我们的结论。价格信息以 2026年10月6日 实查为准。
一句话答案：你搜的 cosmolm，就是亚马逊论文里的 COSMO-LM——COSMO 系统里专门批量生成「购物常识」的那个语言模型¹。COSMO 可以理解为服务搜索应用的一层意图知识；论文明确写到它部署于搜索导航等搜索应用¹，并未说它取代原有排序。对卖家，能落地的做法很朴素：把给谁用、什么场合用、解决什么问题写清楚，同时别丢掉关键词。
名字先对齐：cosmolm、cosmo lm、COSMO-LM 是同一个东西，LM 是 language model（语言模型）的缩写；COSMO 是它所在的整套系统。中文圈常把两者混着叫「COSMO 算法」，下文按论文的叫法分开说。
你大概还刷到过这种说法：「亚马逊已经不看关键词了，堆词等于自杀。」假设你信了，删掉半页关键词、改成散文式场景描写——这样做的风险，读完下面几条就清楚了。先把结论摆出来：
- COSMO 是亚马逊团队发在 SIGMOD/PODS 2024 上的知识系统，论文摘要写的部署场景是搜索导航（search navigation）这类搜索应用¹，没有一句说它取代了原有排序。
- Amazon Science 博客给出的量化结果，是「查询—商品」相关性判定的 F1 提升²；论文摘要提到线上 A/B 实验带来显著改进，但没有列具体数字¹。这些结果都是平台功能层面的，推不出单个 listing 的排名或销量会怎么变。
- 「COSMO 排名因子清单」「A10 算法」在论文和 Amazon Science 页面里都找不到¹²，它们是服务商的推演。
- 值得动手的部分：把人群、场景、用途写进 listing 和结构化属性。这件事在 COSMO 之前就该做。
想看端到端的落地流程，去看 用 AI 做亚马逊 SEO 的完整工作流，那篇里 COSMO 只占一节，这篇是那一节的完整拆解。
cosmolm（COSMO-LM）到底是什么：一个专挖「购物常识」的模型
论文标题是 COSMO: A Large-Scale E-commerce Common Sense Knowledge Generation and Serving System at Amazon，作者主要来自亚马逊，发表于 SIGMOD/PODS 2024¹。
论文摘要点出的问题是：已有的电商知识图谱堆了大量概念和商品属性，却发现不了用户意图¹。
Amazon Science 博客举的例子最好懂：有人搜「shoes for pregnant women」，系统应该推断出孕妇可能需要防滑鞋²。她要的不是某个品类名，是「别滑倒」。纯关键词匹配跨不过这一步，COSMO 修的就是「查询」和「查询背后的理由」之间那座桥。
COSMO-LM 在系统里的位置，按论文摘要和博客可以拆成四步：
- 取材：用两类行为数据做原料——「搜了什么、随后买了什么」的查询—购买对，和同一次购物里一起买的共同购买对²；
- 生成和过滤：让大语言模型解释这些行为背后的关系，生成候选常识，再用基于人工标注数据训练的 critic 分类器过滤噪声¹；
- 微调：用指令微调（instruction tuning）训练出一个更高效的专用模型，就是 COSMO-LM¹；
- 扩展和部署：COSMO-LM 把知识图谱扩展到亚马逊 18 个主要品类，只用了 3 万条标注指令就产出数以百万计的高质量知识，系统已部署到搜索导航等搜索应用¹。
所以更准确的心智模型是：COSMO-LM 负责大规模生成购物常识，COSMO 系统将这些知识用于搜索导航等搜索应用，不是一套新的排名规则。
公开材料能核到的三件事
一、关系类型直接告诉你亚马逊在意什么。 博客写明，模型最初用 usedFor、capableOf、isA、cause 四种关系描述行为背后的原因，之后提炼成 used_for_function、used_for_event、used_for_audience 等更细的规范关系²。翻译过来就是：用来干什么、用在什么场合、给谁用。这条对卖家的信息量最大。
二、离线效果是相关性判定的 F1 指标，不是销量。 测试用的是亚马逊为 KDD Cup 2022 建的 Shopping Queries 数据集，任务是判断商品和查询相不相关²：
| 实验设置 | 加入 COSMO 知识后，相比最佳基线 |
|---|---|
| 编码器固定不训练 | Macro F1 提升 60%² |
| 编码器参与微调 | Macro F1 领先 28%，Micro F1 领先 22%² |
60% 这个数不是「销量涨 60%」，其实它是模型判断「商品跟查询相不相关」的 Macro F1 指标，和你的销量没有换算关系。
三、论文页摘要对线上实验只有一句笼统结论。 摘要说离线实验和线上 A/B 实验都显示系统带来显著改进¹，部署对象是搜索导航这类应用¹。这是平台功能层面的结果，推不出「某个 listing 改了写法会涨多少」。
COSMO 和 A9 差在哪：叠层，不是替代
先说前提：「A9」本身也不是亚马逊公布的排名公式，它是业内对亚马逊传统搜索排序（关键词匹配加转化表现）的通称。本文引用的 COSMO 论文摘要和 Amazon Science 博客没有给出 A9 的计算方法，也没有说明 COSMO 取代了原有排序¹²。
两者的分工可以这样理解（「公开的应用场景」一行出自论文摘要¹，其余三行是从机制推出的对照）：
| 维度 | 业内所称的 A9（传统匹配层） | COSMO（意图知识层） |
|---|---|---|
| 输入 | 查询词与 listing 文本的字面匹配、历史表现 | 从「搜了什么又买了什么」的行为里挖出的常识关联 |
| 判断的问题 | 这个词有没有出现、点击转化好不好 | 查询背后的真实需求是什么、哪些商品能满足 |
| 公开的应用场景 | 未公布 | 搜索导航等搜索应用 |
| 对卖家的含义 | 词要埋对，转化要好 | 场景、人群、用途要写清楚 |
结论：公开研究没有说明 COSMO 如何改变搜索排序；关键词和场景表达都要照顾。建议保留买家常用查询词的覆盖；有词但读不出你解决什么问题，就浪费了意图层能给的那部分匹配。两层都得照顾。
买家侧的对话入口是另一回事，可以对着看 Rufus 时代怎么改亚马逊 Listing。
哪些说法在流传，但找不到依据
以下说法在中文卖家圈广泛流传，在论文摘要和 Amazon Science 博客里都找不到依据¹²：
- 「COSMO 已经取代 A9」。论文只写了 COSMO 部署在搜索导航等搜索应用¹，没有替换排序系统的表述。
- 「A10 算法」。这个名字未出现在本文核查的 COSMO 论文摘要和 Amazon Science 博客中，基于它的「因子权重表」别当真。
- 「COSMO 排名因子清单」和「COSMO 惩罚堆词」。论文摘要和博客没有一句是「做 X 能提升排名」，也没提任何惩罚机制。堆词伤点击和转化在 COSMO 之前就成立，说成「COSMO 的惩罚」是把猜测讲成事实。
- 「COSMO 能让销量涨 60%」。60% 是相关性分类指标的提升²，不是销量。
对 listing 意味着什么：从机制推出的四个改法
本节四条是从关系类型和数据来源反推的做法，亚马逊没说过做这些能提升排名。
推论一：把「给谁用、什么场合用、解决什么问题」写进标题和五点。 依据是系统专门提炼了 used_for_audience、used_for_event、used_for_function 这几类关系²。别只写「304 不锈钢、500ml」，写成「露营装冷饮——500ml 304 不锈钢保温杯」：参数留着，前面挂上人群和场景。整段改写可以参考 Listing Optimization AI 工作流。
推论二：把后台结构化属性填满。 意图知识最终要落到具体商品上，材质、适用人群、使用场合、兼容性这些字段留空，等于把意图信息留在桌上不拿。这是投入产出比最高的一条。
推论三：关键词研究多挖「带情境的长尾」。 意图知识来自「查询—购买」行为对²，只挖大词挖不到「shoes for a nurse」这种带场景的问法。挖法见 用 ChatGPT 做亚马逊关键词研究。
推论四：别为了「适配语义」把词删了。 公开材料没说 COSMO 怎样参与排序，删词换场景词没有依据，稳妥做法是先保住词的覆盖，再在可读范围内加场景表达。后台通用关键词怎么填，见 亚马逊 Generic Keywords 到底填什么。
英文版解读可看 AMZBase 的 COSMO 指南⁶。
落地时能用的工具
挖情境长尾和反查竞品属性，手工做很痛苦。常见三个选择：
| 工具 | 用途 | 适合谁 | 定价区间 | 局限 |
|---|---|---|---|---|
| Helium 10 | 关键词与反查 ASIN、排名追踪、listing 诊断 | 已有一定销量、要一套打通的卖家 | Platinum $129/月（年付合 $99/月）、Diamond $359/月（年付合 $279/月）、Enterprise $1,499/月起且仅年付³ | Platinum 只有有限的利润报告，完整盈亏报告要到 Diamond³；上手成本高 |
| SellerSprite（卖家精灵） | 关键词挖掘、竞品分析 | 中文界面优先、做多站点的卖家 | 年付总额 $390–$1,890⁴ | 无免费档，月付方案有 3 天免费试用；导出每人每天 50 次⁴ |
| MerchantWords | 词库扩展、长尾与情境词发现，也有 ASIN Plus 和商品价格表现数据 | 主要想补词库的人 | $35–$749/月⁵ | 购买前对照功能表确认 ASIN Plus 和价格表现数据的适用档位⁵；最低档只有 500 次搜索 |
更全的横评见 亚马逊 listing 优化工具怎么选，MerchantWords 单独的评测见 MerchantWords 中文评测。
常见问题速答
cosmolm 和 COSMO 是一回事吗？ 不完全是。COSMO 是整套系统，COSMO-LM（常被写成 cosmolm、cosmo lm）是系统里经过指令微调、负责批量生成意图知识的语言模型¹。
COSMO 取代 A9 了吗？ 没有依据支持这个说法。论文写的是部署到搜索导航等搜索应用¹。
60% 的提升是销量吗？ 不是。那是公开数据集上相关性分类的 Macro F1 提升，而且只在编码器固定不训练的设置下²。
我需要单独为 COSMO 做优化吗？ 不需要「单独做」。把人群、场景、用途讲清楚，把结构化属性填满，本来就是这套机制看得懂的写法。
COSMO 现在还在跑吗？ 论文写了线上部署¹，但亚马逊没有公开它之后的迭代情况，当前形态无法从公开资料确认。
延伸阅读
- 用 AI 做亚马逊 SEO：从关键词到 listing 的完整优化工作流——本文的上游，讲整条流程怎么串
- Rufus 时代怎么改亚马逊 Listing——买家侧的对话入口，和知识层配套看
- 用 ChatGPT 做亚马逊关键词研究——情境长尾的具体挖法
- 亚马逊 listing 优化工具怎么选——工具选型
参考资料
¹ Amazon Science《COSMO: A large-scale e-commerce common sense knowledge generation and serving system at Amazon》论文页 https://www.amazon.science/publications/cosmo-a-large-scale-e-commerce-common-sense-knowledge-generation-and-serving-system-at-amazon 2026年10月6日获取
² Amazon Science 博客《Building commonsense knowledge graphs to aid product recommendation》（2024年5月10日发布） https://www.amazon.science/blog/building-commonsense-knowledge-graphs-to-aid-product-recommendation 2026年10月6日获取
³ Helium 10 定价页 https://www.helium10.com/pricing/ 2026年10月6日获取
⁴ SellerSprite 定价页 https://www.sellersprite.com/en/price 2026年10月6日获取
⁵ MerchantWords 定价页 https://www.merchantwords.com/pricing 2026年10月6日获取
⁶ AMZBase《Amazon COSMO Explained: How Amazon’s AI Intent Search Changes Ranking》 https://amzbase.com/guides/amazon-cosmo/ 2026年10月6日获取