生成式人工智能技術正加速向搜索、推薦和廣告領域滲透。近日，某短視頻平臺舉辦了一場技術沙龍，深入探討生成式技術在推薦系統(tǒng)、電商搜索和廣告出價三大場景中的應用實踐，吸引了來自學界和業(yè)界的眾多專家參與。

在推薦系統(tǒng)領域，該平臺推出的OneRec實現(xiàn)了從傳統(tǒng)判別式到生成式的全面轉(zhuǎn)型。這款系統(tǒng)具備推理與思考能力，已在主站、電商和極速版等多個場景落地。其演進過程分為三個階段：V1版本首次實現(xiàn)端到端生成式推薦，突破傳統(tǒng)多級判別結(jié)構；V2版本優(yōu)化算力分布，提出Lazy Decoder Only架構，大幅提升計算效率；最新的Think版本將用戶行為日志視為新模態(tài)，使推薦系統(tǒng)能夠解釋用戶偏好并生成更具洞察力的內(nèi)容。

短視頻推薦排序框架也取得顯著進展。技術人員通過模型化替代傳統(tǒng)人工設計融合公式，構建了端到端多目標融合與對比學習機制。該方案以請求為單位組織候選樣本，引入位置特征與Transformer結(jié)構，捕捉候選間相對關系。同時，提出"相對優(yōu)勢滿意對度"和"多維滿意度代理"，結(jié)合自進化的個性化動態(tài)權重實現(xiàn)多目標平衡。數(shù)據(jù)顯示，該框架在極速版中使停留時長提升約2%，7日留存提升超3‰。

搜索領域的技術革新同樣引人注目。該平臺推出的OneSearch框架以生成式大模型取代傳統(tǒng)"召回-粗排-精排"架構，通過關鍵詞增強層次量化編碼為商品生成語義豐富的"智能身份證"，精準提取核心屬性。多視角用戶行為建模將短期搜索與點擊行為顯式注入模型，同時隱式融合長期購買偏好，構建具有語義理解能力的用戶標識。偏好感知獎勵系統(tǒng)結(jié)合多階段監(jiān)督微調(diào)與強化學習，使搜索系統(tǒng)在CTR、CVR和訂單量等核心指標上顯著提升，訂單量提高3.22%，成本降低75%。

廣告出價環(huán)節(jié)引入了生成式強化學習技術。通過GAVE與CBD范式，該平臺實現(xiàn)了高效、低延遲、全空間優(yōu)化的自動出價。GAVE方法通過Reture-To-Go模塊和價值引導探索機制優(yōu)化出價策略，CBD方法則利用trajectory-level aligner更新序列，對齊優(yōu)化目標。實驗表明，該范式在廣告轉(zhuǎn)化與成本控制方面效果顯著，推理延遲僅為毫秒級，可穩(wěn)定在線應用。

學界專家對生成式框架給予高度評價。某高校教授指出，盡管技術迭代速度加快，但只要技術在實際商業(yè)場景中證明有效，就值得深入探索。生成式范式的根本性創(chuàng)新在于將推薦系統(tǒng)的核心任務從行為相關性預測轉(zhuǎn)變?yōu)閷τ脩粢鈭D的深度理解和推理。大模型憑借自回歸學習能力和內(nèi)置世界知識，能夠更精準地解讀用戶復雜行為序列，為搜索、推薦和廣告建立全新理論基礎。

工業(yè)界專家則從實踐角度分享了觀點。該平臺推薦算法專家認為，生成式推薦可能是未來發(fā)展方向，也可能只是通向更好技術的中間形態(tài)。當前推薦系統(tǒng)多為"瀑布式"被動展示內(nèi)容，未來可能進入對話式推薦場景，用戶會多輪表達意圖，這些意圖可能相互關聯(lián)甚至矛盾。面對這種復雜輸入，傳統(tǒng)系統(tǒng)靠規(guī)則拼接是"技術的倒退"，而生成式模型能更自然地理解并生成結(jié)果。

在成本與收益的討論中，技術團隊強調(diào)要算清經(jīng)濟賬。機器成本會隨時間下降，工程優(yōu)化會不斷提升，關鍵是要保持長期視角，通過算法創(chuàng)新撬動新的收益。商業(yè)化算法負責人指出，大模型基礎建設是一次性成本，而收入增長是持續(xù)累積的。只要ROI為正，成本問題就不是阻礙。通過蒸餾等手段完全可以在保持收益的前提下用更小模型上線。