AI 大模型(LLM)掀起的吞噬生成式改造 ,正重塑各行各业 ,掀翻型起效果连咱们每天刷到的传统引荐体系也不破例。
传统引荐体系像一条多环节的引荐“流水线”(级联架构) ,简单导致算力糟蹋、端到端模方针抵触,本钱限制了开展 。双难要打破瓶颈,吞噬要害在于用 LLM 技能进行“一体化”重构,掀翻型起效果完成作用提高和本钱下降。传统
快手技能团队最新提出的引荐 「OneRec」 体系,正是端到端模这一思路的打破。它初次用端到端的本钱生成式 AI 架构 ,完全改造了引荐体系的双难全流程 ,在作用和本钱上完成了“既要又要” :
作用陡增 :有用核算量提高 10 倍!吞噬让强化学习技能在引荐场景真实“活”了起来 ,引荐更精准。
本钱锐减 :通过架构改造,练习和推理的算力使用率(MFU)别离飙升至 23.7% 和 28.8%,运营本钱(OPEX)仅为传统计划的 10.6%!
现在,该体系已在快手 App / 快手极速版双端服务一切用户 ,接受约 25% 的 QPS(每秒恳求数量) ,带动 App 逗留时长提高 0.54%/1.24%,要害目标 7 日用户生命周期(LT7)明显增加,为引荐体系从传统 Pipeline 迈向端到端生成式架构供给了首个工业级可行计划 。
完好技能陈述链接 :https://arxiv.org/abs/2506.13695 。
(图: OneRec 体系概览)。
OneRec 根底模型分析 。
OneRec 选用端到端生成式架构 ,创始协同感知多模态分词器:通过交融视频标题、图画等多维信息与用户行为,使用 RQ-Kmeans 分层生成语义 ID 。其 Encoder-Decoder 结构将引荐转化为序列生成使命:
● Encoder 整合用户终身 / 短期行为序列完成多标准建模;
● MoE 增强的 Decoder 通过 Next Token Prediction 精准生成引荐成果 。
● 试验验证其遵从 Scaling Law—— 参数量增至 2.633B 时练习丢失明显下降,结合特征 / 码本 / 推理级优化,完成作用与算力的协同打破