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、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界的眾多專家參與。

在推薦系統領域，該平臺推出的OneRec實現了從傳統判別式到生成式的全面轉型。這款系統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版本首次實現端到端生成式推薦，突破傳統多級判別結構；V2版本優化算力分布，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，使推薦系統能夠解釋用戶偏好并生成更具洞察力的內容。

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結構，捕捉候選間相對關系。同時，提出"相對優勢滿意對度"和"多維滿意度代理"，結合自進化的個性化動態權重實現多目標平衡。數據顯示，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"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。偏好感知獎勵系統結合多階段監督微調與強化學習，使搜索系統在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%。

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

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場景中證明有效，就值得深入探索。生成式范式的根本性創新在于將推薦系統的核心任務從行為相關性預測轉變為對用戶意圖的深度理解和推理。大模型憑借自回歸學習能力和內置世界知識，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展方向，也可能只是通向更好技術的中間形態。當前推薦系統多為"瀑布式"被動展示內容，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甚至矛盾。面對這種復雜輸入，傳統系統靠規則拼接是"技術的倒退"，而生成式模型能更自然地理解并生成結果。

在成本與收益的討論中，技術團隊強調要算清經濟賬。機器成本會隨時間下降，工程優化會不斷提升，關鍵是要保持長期視角，通過算法創新撬動新的收益。商業化算法負責人指出，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。