618期间快手电商表现 - 618期间快手泛货架GMV维持高增长 商品卡GMV同比增长超53% 搜索GMV同比增长超143% 挂车短视频GMV同比增长超29% [3] - 泛货架逐步成为用户浏览、发现与购买的重要通路 内容消费与商品转化路径更加清晰 [3] - 平台有望推动部分流量位产品化 通过智能化工具引导商家开展自主投放 逐步建立面向泛货架场景的广告转化链路 [3] 全新推荐系统OneRec上线 - OneRec基于多模态AI大模型框架 通过统一编码器将视频内容中的配音、画面等要素进行结构化建模与语义融合 [4] - 系统统一融合用户静态特征与长期行为 实现对短期兴趣与长期偏好的动态平衡 [4] - 模型有效计算量提升10倍 通信与存储开销显著降低 整体运营成本降至传统方案的10.6% [4] - 目前OneRec已全面应用于快手App与极速版 承接约25%的推荐请求流量 [4] - 上线后快手App与极速版停留时长分别提升0.54%和1.24% 7日用户生命周期显著增长 [4] AIGC剧集《新世界加载中》 - 剧集镜头全部由可灵AI模型生成 包含7个单元剧内容 覆盖写实、科幻、动画等多种风格 [5] - 首集已于2025年6月26日上线快手App星芒短剧频道 截至6月30日 在快手极速版的累计播放量已突破5500万次 [5] - 单元《马丁症》获第十五届北京国际电影节AIGC单元"最佳技术奖" [5]

快手AI大模型推荐系统OneRec - 公司成为全球首个将AI大模型驱动的生成式推荐系统全量上线到产品的企业[1] - 系统采用端到端生成架构替代传统多阶段流水线模式，实现范式级创新[16] - 技术架构包含用户建模(Encoder)、推荐生成(Decoder)和强化学习奖励机制三大核心模块[17][18][19] 传统推荐系统痛点 - 分层筛选架构导致各环节目标冲突，系统一致性和效率持续恶化[9] - 算力利用率低下，精排模型在旗舰GPU上训练/推理利用率仅4.6%/11.2%[11] - 难以捕捉用户长期兴趣变化，容易陷入短期行为反馈循环[26][27] OneRec技术创新点 - 引入多模态语义分词器，实现对视频内容的多维度立体解析[21][22] - 通过深度神经网络统一建模用户静态特征与长短期行为，形成完整兴趣序列[28][30] - 采用MoE架构解码器动态生成推荐序列，专家网络协同提升模型容量与效率[34][36] - 强化学习全链路贯穿，通过偏好/格式/工业场景三类奖励机制优化推荐质量[40][41][42] 系统实测表现 - AB测试显示用户停留时长提升0.54%-1.24%，7日生命周期增长0.05%-0.08%[46] - 已承接短视频推荐主场景25%流量请求，交互指标全面改善[47] - 本地生活场景GMV提升21%，核心指标实现两位数增长并完成100%流量切换[48] 行业影响 - 标志着推荐系统进入大模型驱动的新阶段，解决传统架构与AI进展脱节问题[49] - 为行业提供首个工业级生成式推荐解决方案，确立技术领先地位[1][15] - 展示多模态理解与强化学习在复杂业务场景的落地可能性[20][38]

论文作者来自 认知智能全国重点实验室陈恩红团队，华为诺亚方舟实验室 在信息爆炸的时代，推荐系统已成为我们获取资讯、商品和服务的核心入口。无论是电商平台的 "猜你喜欢"，还是内容应用的信息流，背后都离不开推荐算法的 默默耕耘。然而，传统的推荐系统普遍采用多阶段范式（如召回、排序），这种设计虽然在工程上实现了效率，却常常面临阶段间信息损失、性能瓶颈等问题。 近年来，生成式人工智能的浪潮席卷全球，其强大的序列建模和内容生成能力为解决推荐系统的固有难题带来了新的曙光。如果能将推荐过程中的多个阶段融为 一体，是否就能克服信息损失，实现更高效、更精准的推荐呢？ 来自中国科学技术大学和华为诺亚方舟实验室的研究者们，在即将于 SIGIR 2025 会议上进行口头报告（Oral Presentation）的论文 Killing Two Birds with One Stone: Unifying Retrieval and Ranking with a Single Generative Recommendation Model 中，给出了一份创新的答案。他们提出了一个名为 UniGRF 的统一生成式推荐框架， 巧妙地实现了 ...

机器之心报道 机器之心编辑部 人人都绕不开的推荐系统，如今正被注入新的 AI 动能。 随着 AI 领域掀起一场由大型语言模型（LLM）引领的生成式革命，它们凭借着强大的端到端学习能力、海量数据理解能力以及前所未有的内容生成潜力，开始重 塑各领域的传统技术栈。 作为互联网流量的核心引擎，推荐系统面临着级联架构导致的算力碎片化、优化目标割裂等问题，并逐渐制约其创新发展。实现从碎片化拼装到一体化整合的范 式跃迁，是推荐系统重焕生机的必由之路，而利用 LLM 技术重构架构以实现效果提升、成本降低成为关键。 近日，快手技术团队交出了他们的答卷，最新提出的「OneRec」首次以端到端生成式架构重构推荐系统全链路。 在效果与成本这场看似零和的博弈中，OneRec 让「既要又要」成为可能 ： 目前，该系统已在快手 App / 快手极速版双端服务所有用户，承接约 25% 的QPS（ 每秒请求数量 ） ，带动 App 停留时长提升 0.54%/1.24%，关键指标 7 日用户生 命周期（LT7）显著增长，为推荐系统从传统 Pipeline 迈向端到端生成式架构提供了首个工业级可行方案。 下图（左）展示了快手 / 快手极速版中 O ...

这里是「王喆的机器学习笔记」的第四十五篇文章。今天我们谈谈一个搜广推行业这两年怎么都绕不开的一个话题，大模型在推荐系统中的应用。两年 前，我们可以说大模型是推荐系统的未来，但如今，大模型对推荐系统的改造已经如火如荼的发生着，很多头部公司都拿到了显著的收益。这篇文章不 谈未来，不谈学术，就谈业界已经发生的切切实实拿到收益的大模型应用方向。 大模型影响推荐系统的三个层次 谈具体的应用之前，我们先从宏观上理解一下大模型的出现对推荐系统到底意味着什么。 三、大模型开始创造一个"新世界" OpenAI 在发布 Sora 之时，喊出了"Sora 是这个世界的模拟器"的口号。大模型最大的野心其实是完全创造一个新的虚拟世界。回到推荐系统领域，其实 推荐系统一直以来的使命是帮助人发掘感兴趣的信息和内容。但大模型极强的内容生成能力，让"个性化内容生成"成为可能。也就是说，大模型有可能 越过"推荐"这个环节，直接为用户创造个性化内容，这才是大模型可能带给推荐系统最大的革命。 从宏观上厘清了大模型革命的三个层次，我们才能脚踏实地的探索那些可能落地的应用。下面列出一些经过我筛选的，并且也有一些落地经验的大模型 推荐系统应用方向。 理解 ...

"决定你命运的不是机遇，而是选择"，这句格言常被归于琴·尼德奇（Jean Nidetch），堪称亚里士多德 伦理学的一种总结（网上有大量的误传，真的相信其为亚里士多德的金句）。尼德奇1963年创立综合性 减肥方案和饮食计划Weight Watchers，旨在帮助人们通过健康的饮食和生活方式的改变来减轻体重。她 是今天我们所熟悉的网上"健康达人"的真正鼻祖，一位来自皇后区的家庭主妇在减肥过程中，凭借雄心 壮志，找到了一个出口、一种身份和一条自我实现的路径。 选择多么重要，如果是自我作出的。但在人工智能时代，选择还属于我们的吗？ 推荐引擎革命 这是一个生活处处被推荐系统影响的时代。Spotify的"每周发现"功能向全球音乐爱好者承诺，提供他们 从未听过但一定会喜欢的个性化歌曲播放列表。Netflix的算法不仅使"刷剧"成为可能，而且可以预测用 户的观看喜好。Google地图则为用户提供最快、最安全的出行路线建议。 "一切皆为推荐"（Everything is a recommendation）是Netflix常喊的一句口号，意谓该平台上哪怕是看似 简单的内容列表，也会根据用户的观看历史精心策划和加以个性化，其本质 ...

胡泳 北京大学新闻与传播学院教授 "决定你命运的不是机遇，而是选择"，这句格言常被归于琴·尼德奇 （Jean Nidetch） ，堪称亚里士多德伦 理学的一种总结 （网上有大量的误传，真的相信其为亚里士多德的金句 ） 。尼德奇1963年创立综合性减肥方案和 饮食计划Weight Watchers，旨在帮助人们通过健康的饮食和生活方式的改变来减轻体重。她是今天我们 所熟悉的网上"健康达人"的真正鼻祖，一位来自皇后区的家庭主妇在减肥过程中，凭借雄心壮志，找到 了一个出口、一种身份和一条自我实现的路径。 选择多么重要，如果是自我作出的。但在人工智能时代，选择还真的属于我们吗？ 推荐引擎革命 这是一个生活处处被推荐系统影响的时代。Spotify 的"每周发现"功能向全球音乐爱好者承诺，提供他们 从未听过但一定会喜欢的个性化歌曲播放列表。Netflix 的算法不仅使"刷剧"成为可能，而且可以预测用 户的观看喜好。Google地图则为用户提供最快、最安全的出行路线建议。 "一切皆为推荐" （Everything is a recommendation） 是Netflix常喊的一句口号，意谓该平台上哪怕是看似简单 的内容列 ...