大型行为模型：可提示的零售客户数字孪生

客户行为建模支撑推荐、营销与决策支持，但既有方法要么优化预测准确率而不解释决策，要么仿真用户却不落地于真实行为数据。我们提出大型行为模型（LBM）：经统一的“人—环境”表述直接从大规模零售交易学习客户决策。客户状态由历史购买派生的行为画像表示，产品上下文经检索增强生成纳入。模型使用对言语化行为数据的持续预训练、对决策生成的监督微调、以及带可验证奖励的强化学习（循证校准）训练。我们在购买预测、难负样本判别、购物篮补全、促销响应与跨域优惠券核销上评估该框架。模型在域内零售任务上持续超越前沿通用语言模型，同时展现强的零样本与微调迁移（跨零售商与决策域）。消融显示：持续预训练是行为泛化的主要驱动；检索在训练与推理都施加时最有效；强化学习改善对显式行为证据（相对通用语言先验）的依赖。结果表明交易历史中编码的行为知识可被语言模型有效学习——为客户数字孪生与行为仿真提供可扩展基础。