生成式人工智能技术正加速向搜索、推荐和广告领域渗透。近日，某短视频平台举办了一场技术沙龙，深入探讨生成式技术在推荐系统、电商搜索和广告出价三大场景中的应用实践，吸引了来自学界和业界的众多专家参与。
在推荐系统领域，该平台推出的OneRec实现了从传统判别式到生成式的全面转型。这款系统具备推理与思考能力，已在主站、电商和极速版等多个场景落地。其演进过程分为三个阶段：V1版本首次实现端到端生成式推荐，突破传统多级判别结构；V2版本优化算力分布，提出Lazy Decoder Only架构，大幅提升计算效率；最新的Think版本将用户行为日志视为新模态，使推荐系统能够解释用户偏好并生成更具洞察力的内容。
短视频推荐排序框架也取得显著进展。技术人员通过模型化替代传统人工设计融合公式，构建了端到端多目标融合与对比学习机制。该方案以请求为单位组织候选样本，引入位置特征与Transformer结构，捕捉候选间相对关系。同时，提出"相对优势满意对度"和"多维满意度代理"，结合自进化的个性化动态权重实现多目标平衡。数据显示，该框架在极速版中使停留时长提升约2%，7日留存提升超3‰。
搜索领域的技术革新同样引人注目。该平台推出的OneSearch框架以生成式大模型取代传统"召回-粗排-精排"架构，通过关键词增强层次量化编码为商品生成语义丰富的"智能身份证"，精准提取核心属性。多视角用户行为建模将短期搜索与点击行为显式注入模型，同时隐式融合长期购买偏好，构建具有语义理解能力的用户标识。偏好感知奖励系统结合多阶段监督微调与强化学习，使搜索系统在CTR、CVR和订单量等核心指标上显著提升，订单量提高3.22%，成本降低75%。
广告出价环节引入了生成式强化学习技术。通过GAVE与CBD范式，该平台实现了高效、低延迟、全空间优化的自动出价。GAVE方法通过Reture-To-Go模块和价值引导探索机制优化出价策略，CBD方法则利用trajectory-level aligner更新序列，对齐优化目标。实验表明，该范式在广告转化与成本控制方面效果显著，推理延迟仅为毫秒级，可稳定在线应用。
学界专家对生成式框架给予高度评价。某高校教授指出，尽管技术迭代速度加快，但只要技术在实际商业场景中证明有效，就值得深入探索。生成式范式的根本性创新在于将推荐系统的核心任务从行为相关性预测转变为对用户意图的深度理解和推理。大模型凭借自回归学习能力和内置世界知识，能够更精准地解读用户复杂行为序列，为搜索、推荐和广告建立全新理论基础。
工业界专家则从实践角度分享了观点。该平台推荐算法专家认为，生成式推荐可能是未来发展方向，也可能只是通向更好技术的中间形态。当前推荐系统多为"瀑布式"被动展示内容，未来可能进入对话式推荐场景，用户会多轮表达意图，这些意图可能相互关联甚至矛盾。面对这种复杂输入，传统系统靠规则拼接是"技术的倒退"，而生成式模型能更自然地理解并生成结果。
在成本与收益的讨论中，技术团队强调要算清经济账。机器成本会随时间下降，工程优化会不断提升，关键是要保持长期视角，通过算法创新撬动新的收益。商业化算法负责人指出，大模型基础建设是一次性成本，而收入增长是持续累积的。只要ROI为正，成本问题就不是阻碍。通过蒸馏等手段完全可以在保持收益的前提下用更小模型上线。
