用DeepSeek网页版就能瓜分鹅厂600万？？！

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 用DeepSeek网页版就能瓜分鹅厂600万？？！ 闻乐 2026-08-19 15:40:36 来源： 量子位 闻乐 发自 凹非寺 量子位 | 公众号 QbitAI 济州岛，KDD 2026，太热闹了。 Jeff Dean等一众大佬接连现身，会场里随便转个弯，都可能碰到深耕数据挖掘领域的知名研究者。 就在这一片火热交流里，一道困扰行业许久的推荐系统统一建模的问题，也终于等来了它的答案。 三个月前，腾讯营销以KDD Cup 2026官方赛道的身份，向全球算法玩家扔出了一道题： 推荐系统，能不能迎来属于自己的Scaling Law时刻？ 赛题聚焦「大规模推荐系统的统一序列建模与特征交互」。 要求参赛者用一套统一的Recommendation Block，把过去各行其是的序列建模与特征交互合二为一，去验证推荐系统能不能复刻大模型，拥有可不断扩容的统一架构。 为了吸引各路高手，鹅厂不仅拿出了自家真实业务的脱敏数据来给参赛者出题，还直接把奖金池拉到了 600万+ 。 当时我们在赛前问过一句：如何优雅地分走鹅厂这600万？ KDD 2026现场，答案来了。 推荐系统的大一统 这道题其实是让行业踩了无数坑的真实痛点。 过去很长一段时间，工业推荐系统习惯分工干活，模块化是主流设计思路： 一套模型专门读取用户历史行为序列，从浏览、点击、购买的时间线当中挖掘用户的长期、短期兴趣； 另一套独立的模块专门处理用户画像、商品属性、广告物料这些五花八门的离散与连续特征，挖掘不同特征之间的组合增益。 两套模块各司其职，输出的结果再做融合，这套模式撑起了过去十几年推荐业务的高速发展，也诞生了很多经典的工业模型。 但随着互联网业务规模持续膨胀，用户体量、广告物料数量成倍增长，这套分工模式的短板慢慢暴露出来。 每一类信息单独维护一套模型链路，系统会越堆越复杂，模块多了之后，调参、迭代、维护成本都会持续走高。 尤其行业全面切换GPU做训练和推理之后，这种异构多模块架构的短板被进一步放大，不同子模块计算模式差异大，算力很难被充分吃满，硬件资源经常白白浪费。 也正因如此，当大模型靠着统一Transformer架构把Scaling Law玩得风生水起，做推荐的人心里都在琢磨一件事： 我们是不是也该搞一次架构大一统？ 大模型能够持续堆参数、堆数据、堆算力，效果随之稳步提升，核心底气就是这套可堆叠的同构架构。 不需要频繁改动底层范式，只需要扩充模型规模，就能够持续收获性能收益。 如果把序列建模、特征交互全部塞进同一个Recommendation Block，全部在一套体系内完成计算，当推荐系统的规模不断扩大，效果是不是就能跟着一起涨？ 于是，这次TAAC × KDD Cup把这道题摆了出来，希望参赛者从更底层的架构出发，重新思考推荐系统里的不同信息应该怎样交互。 推荐系统和生成式大模型虽然都要承接海量线上请求，但业务约束完全不一样。 大模型生成业务，往往允许几十到数百毫秒的耗时，还可以通过缓存、流式输出、请求削峰等手段缓解压力。 但广告推荐不一样，用户每一次滑动页面，就要完成一轮候选广告的打分排序，追求毫秒级返回。流量基数巨大，每一点额外算力消耗，都会被亿万级请求放大，直接影响业务成本。 就算离线AUC（模型预测效果指标，数值越高代表推荐区分能力越强）刷得很漂亮，如果推理速度慢、算力开销居高不下，放到真实广告业务里就几乎没有实用价值。 所以这场比赛从一开始就拒绝“唯指标论”，AUC要往上冲，但推理效率、工程可行性同样是硬约束。 这也是为什么这一届腾讯广告算法大赛同时开放了 学术和工业两条赛道 ： 面对同一道题，一边探索新的模型范式，一边直接把方案扔进工业场景里检验。 说到这里也顺带提一句，TAAC在2017年诞生，今年已经是第七届。 过去几年TAAC更多立足国内，挖掘本土算法人才，产出过不少可以落地的技术思路。 今年更进一步，和ACM KDD深度合作，升级成KDD Cup官方赛道，把中国互联网的真实产业难题，直接摊给全球学术界和产业界一起闯关。 全球高手交卷 最终，这场全球范围内的技术较量交出了相当丰富的答案。 本届大赛共吸引 52个国家和地区、13913名选手、5746支队伍 参与。 参赛选手背景十分多元，既有海内外高校的硕博学生，也有在职算法工程师，还有不少独立参赛的技术爱好者。 其中 学术赛道冠军独享200万元 ，创下国内企业技术竞赛最高单项奖金纪录。 那咱就来看看这价值200万元的方案长啥样。 学术赛道冠军队伍 lozyyeah ，提出了CRAFT特征传输机制，构建全局信息传输通路。 它设计了一个意图Token，可以理解成存放用户兴趣的“背包”。 用户画像、广告这些非序列特征，会生成控制信号， 从模型浅层就开始引导、维护这个意图背包；用户行为序列作为兴趣素材，在每一层网络中受控制信号驱动，对意图背包做迭代更新。 最后就不再用经过多层网络已经衰减的原始行为表征，直接拿这个层层迭代好的意图Token（背包）来做预测。 其他高分队伍也从不同角度展开了探索。 有人从用户兴趣建模切入，希望把用户不同时间尺度上的兴趣更好地放进统一框架； 有人从Token效率出发，思考在面对海量信息时，怎样让模型用更少的Token获得更多有效信息； 还有的重点研究稀疏样本、冷启动用户，尝试让统一架构在少样本场景下依旧有不错表现…… 工业赛道的角度又不太一样。 冠军 日之光面（sunshot） ，整套方案以候选商品Query Token作为全局交互枢纽，同时把FM式显式高阶特征交叉嵌入统一Block内部，不额外新增分支。 一边处理超长行为序列，一边完成特征交互，还逐层量化每一处改动带来的AUC收益。 实测下来，这组方案对比基线AUC提升0.0048，同时单样本算力消耗降了18%。这个数字看着不大，但对十亿级流量的广告系统来说，是非常可观的收益。 赛后，团队也完整复盘了整套QueryFormer落地全流程。 一看吓一跳，整套模型代码、多卡分布式训练逻辑、数十组消融实验的迭代工作，全程仅使用 DeepSeek网页版 完成。 只有论文终稿做语言润色时少量使用了GPT，全程没有调用付费API。 等等，你是说空手套奖金？？（doge） 大赛还专门设置了Unified Block和Scaling Law两大 创新奖 ，就算榜单排名不算顶尖，只要架构思路足够有启发性，照样可以拿奖。 实际上，挑战者的这些方案共同指向了一个越来越清晰的结论： 推荐系统的大一统，不只是架构上的大一统，还得是效果与效率上的大一统。 大模型的爆发告诉行业，Scaling不是无脑堆参数，前提是要有一套能承载规模扩张的底层架构。 如今，推荐系统也开始尝试走上类似的道路。 TAAC × KDD Cup的这些探索，让推荐系统的“大模型时刻”变得越来越清晰。 虽然这条路还没有走到终点，但至少，全球高手已经替行业把第一轮答案交了出来。 鹅厂的人才培养也在Scaling 600多万元