家摧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 。
强化学习（RL）偏好对齐 。
OneRec 打破传统引荐依靠前史曝光的限制 ，立异引进强化学习偏好对齐机制 。通过交融偏好奖赏（用户偏好）、格局奖赏（有用输出）及事务奖赏（工业需求）构建归纳奖赏体系 ，并使用个性化 P-Score 作为强化信号 。选用改善的 ECPO 算法（严厉切断负优势梯度）提高练习稳定性 ，在快手场景中完成不丢失曝光量前提下明显提高用户时长 ，到达工业级作用打破。
功能优化 。
在功能优化上 ，OneRec 打破传统引荐 MFU 个位数魔咒 ：通过架构重构 + 算子紧缩 92% 至 1,200 个 ，练习 / 推理 MFU 提高至 23.7%/28.6% ，算力效能达干流 AI 模型水平 ，完成 3-5 倍跃升 。初次让引荐体系到达与干流 AI 模型比肩的算力效能水平。
此外，快手技能团队还针对 OneRec 特性在练习和推理结构层面进行了深度定制优化 。练习侧选用恳求分组特征复用与变长 Flash Attention 提高核算密度，自研 SKAI 体系完成 Embedding 全流程 GPU 练习 ，完全消除 CPU 同步瓶颈；推理侧创始核算复用架构 ——Encoder 单次前向 + Beam 间 KV 同享 + Decoder 层 KV Cache ，支撑 512 大 Beam Size 生成需求 ，并根据 Float16 混合精度与 MoE / Attention 算子深度交融提高吞吐 。终究练习 / 推理 MFU 达 23.7%/28.8%（较传统模型提高 3-5 倍） ，运营本钱降至传统计划 10.6%，完成近 90% 本钱节约 。
Online 试验作用 。
该模型通过一周 5% 流量 AB 测验 ，在点赞 、重视、谈论等一切交互目标上均获正向收益 (如下图) 。体系现已全量掩盖短视频引荐主场景 ，承当约 25% QPS 。除了短视频引荐的消费场景之外 ，OneRec 在快手本地生活服务场景相同体现冷艳：AB 比照试验标明该计划推进 GMV 暴升 21.01%、订单量提高 17.89%、购买用户数增加 18.58% ，其中新客获取功率更完成 23.02% 的明显提高 。现在 ，该事务线已完成 100% 流量全量切换 。
生成式 AI 方兴未已，正引发各范畴根本性技能革新与降本增效 。OneRec 不只证明了引荐体系与 LLM 技能栈深度交融的必要性 ，更重构了互联网中心根底设施的技能 DNA 。跟着其新范式的到来 ，引荐体系将加快迎来「端到端生成式觉悟」时刻 。
广告声明 ：文内含有的对外跳转链接（包括不限于超链接 、二维码 、口令等方式） ，用于传递更多信息 ，节约甄选时刻 ，成果仅供参考，一切文章均包括本声明。
