抛弃“级联”架构！快手OneRec用大模型重构推荐系统，服务成本降至1/10

主要观点总结

本文介绍了快手科技基于生成式大模型的推荐系统OneRec的创新与演进。包括传统推荐架构的瓶颈与范式革新，OneRec生成式推荐框架的介绍，以及其在效率、效果和成本等方面的优化和改进。同时，文章还探讨了多模态与行为数据融合的可能性，以及未来推荐系统的发展趋势。

关键观点总结

关键观点1: 传统推荐架构的局限性

传统推荐架构在面临技术革新和算力的挑战时，表现出瓶颈，无法满足日益增长的计算需求。

关键观点2: OneRec生成式推荐框架的引入

OneRec采用生成式大模型，以单一模型覆盖召回、粗排、精排与重排，在全量候选空间中进行深层求解，提高了推荐的效率和效果。

关键观点3: 强化学习的应用

OneRec设计中应用了强化学习，通过统一逻辑输出和编码规则约束，提升了推荐的精准度和合法性。

关键观点4: 效率、效果和成本的优化

OneRec在全量推送中以更低的计算成本使用更大的模型并取得更优效果，提高了推荐的规模化落地能力。

关键观点5: 多模态与行为数据融合的探索

未来推荐系统的发展方向包括融合多模态和行为数据，构建更加智能的模型，提供更个性化的服务。