300万全归中国学生！冠军全靠DeepSeek、ChatGPT

新智元报道 韩国济州岛，KDD 2026现场。 当最终榜单打在大屏上时，这场从今年春天延烧至今的算法马拉松，终于有了结局。 拿下冠军的，一共有两个战队—— · 学术赛道冠军「lozyyeah」，独享200万元（30万美金） · 工业赛道冠军「日之光面」（sunshot），斩获100万元（15万美金） 整场比赛，总奖金池超88.5万美元，折合人民币约600万。 光学术赛道冠军一项就独揽30万美元，创下国内企业技术竞赛最高单项奖金纪录。 图左：学术赛道冠军lozyyeah；图右：工业赛道冠军日之光面 值得一提的是，让这场巅峰对决载入史册的，并不只有奖金。 KDD Cup的中国时刻 KDD Cup，是公认的「数据挖掘领域的奥赛」。 自1997年ACM SIGKDD设赛至今，Google、Microsoft、Meta都出过题。 能在这里跻身前列，便是实力的绝对背书。 中国企业主导KDD Cup赛题并非首次，2012年腾讯自己就做过。 8月12日，济州ICC会议中心。腾讯广告算法大赛（TAAC），再次以KDD Cup官方主赛道身份揭晓最终结果。 52个国家和地区，近14000名选手，5700多支队伍，907所全球高校集结，学术界与工业界参赛者比例约7:3。 从2017年创办，TAAC今年已是第七届。 从一个国内行业赛事，一步迈上KDD Cup的舞台。腾讯全权主导整条赛道，出题，提供真实业务数据，设计赛制。 奖金金额、算力规模、参赛人数，多项纪录同时刷新。 但规模之上，真正的突破在「数据」。 腾讯拿出来的是，营销体系每天服务数十亿用户的真实脱敏数据，100多个特征字段，远超学术界任何一个公开benchmark的量级。 推荐系统的公开数据集太少、太小、太旧，这几乎是全行业的痛。 大语言模型能跑通Scaling Law靠的就是海量benchmark，推荐系统一直缺这个条件。 全球大广告商里从来没有人这么做过。KDD Cup 29年历史上，这是第一次。 把撕开的「推荐系统」，缝回去 真正决定这场比赛难度的，是赛题本身—— 面向大规模推荐的序列建模与特征交互统一化。 听着很学术，但它指向的，是工业界躺了很多年、谁都知道、谁都没彻底解决的老问题。 本届赛事第一次把这个问题原封不动地交给全球：设计一个统一的、单一同构的Recommendation Block，同时优化AUC，并探索推荐系统的Scaling Law。 学术冠军：给推荐模型装个「GPS」 抱走200万大奖的战队「lozyyeah」，队长是罗同学，博士二年级。 两位队友都是同一个实验室的师弟师妹：张同学，刚要升大三的本科生；顾同学，刚加入实验室的研一新生。 一个实验室，三个人。 lozyyeah战队三位成员 采访时，罗同学讲起自己为什么开始打比赛，答案很实在： 读研第一年赶上疫情，要定研究方向，但对很多方向都不够了解。 我当时在想，能不能通过一种目标导向、问题驱动的方式，让自己尽快进入科研状态。 打比赛似乎是一个很好的方法：它可以提供来自业界的真实课题，大家在有限时间内完成一个完整的问题解决流程。 这句话，几乎就是TAAC这类赛事存在价值的最好注脚。 他们的团队，给出的方案叫CRAFT，核心创新是feature transport（特征传输）。 大家都在做feature interaction（特征交互），即让不同特征之间发生信息交互。但罗子宸团队发现：只有交互，还不够。 问题出在层与层之间，多个block纵向堆叠，有效信息逐层衰减，传到中间就坍缩了。 这一次实验成果的灵感，来自他正在做的flow matching研究。 Flow matching会生成一个速度向量，为当前状态指出方向。 罗同学把这个思路迁移到推荐模型里，给每一层生成一个「意图向量」，引导信息沿正确方向传递。 加入意图向量之后，特征信息在整个流程结束前都保持着丰富度，直到最终输出才收敛为预测结果。 值得一提的是，罗同学坦言，此次比赛离不开一位特殊的「AI伙伴」——ChatGPT。 它不仅是随时碰撞灵感的兼职导师，更是辅助落地想法的得力助手，陪伴团队在反复打磨中一起成长。 当被主持人问及拿到奖金后的计划时，他表示，「压力太大了，比赛加科研一直在熬夜。等忙完，一定要拿着奖金出去好好休息」。 工业冠军：与其读更多，不如问得更准 战队日之光面（sunshot），一举斩获了本次KDD Cup工业赛道的冠军。 其中一位成员是目前Kaggle竞赛社区（>2000w用户）比赛积分榜的全球第一名，另一位曾拿过国内算法竞赛15次冠军，且斩获了2021年腾讯算法大赛的第一名。 他们提出的方案，叫QueryFormer。 先让用户、广告和非序列特征充分交互，形成质量更高的Query，再用这些Query从多域行为序列中，提取与当前广告最相关的信息。 如果问题问得不好，那么信息库再大、行为序列再长，也取不出真正有用的东西。 「日之光面」的判断因此非常反直觉：别急着把序列拉长，先把问题问好。 围绕这个判断，QueryFormer具体做了五步优化。按字段边界拆分非序列特征、用DCN-V2分组处理，让用户侧与广告侧Token先自注意力再交叉，再带着这个「问好的问题」去4个业务域的序列里做检索。 最关键的一刀，是用Cross-Attention彻底替换掉原本的MLP Query生成方式。 最终，QueryFormer以测试集AUC 0.83254拿下工业赛道冠军。 但真正让人愣住的，是他们的工具清单。 整个建模、代码开发、实验迭代过程，只用了DeepSeek网页版。 技术论文的主体同样由DeepSeek辅助完成，GPT只在最终提交前做了一轮语言润色，随后人工审核。 整个建模与开发过程，没有用GPT、Claude写过一行代码。 两条赛道，两个冠军，一个解的是「信息在层与层之间怎么不丢失」，一个解的是「进入序列之前怎么把问题问准」。 但殊途同归，两支队伍都没靠堆参数、堆序列取胜，而是回到结构本身找答案。 这恰恰是这道赛题最想看到的东西。 原创突破奖：本科生与外行新手 Scaling Law原创突破奖（Scaling Law Innovation Award）颁给了gg团队，两个大四本科生，王同学和郭同学。 他们是TAAC中为数不多的纯本科生队伍，第一次参加这类比赛。 到了比赛后期，大家都撞上了同一个难题：直接把模型做宽，AUC不升反降，不少选手因此判断这条路走不通。 他们没放弃，初赛加复赛，做了400-500次实验。 显卡一刻不能空着，训练跑着的时候读论文，读完复盘上一版，复盘完了想下一版思路，然后接着写代码。 最后找到了，在同时增大模型容量和条件信息的前提下再增加维度，可以实现scaling的提升。 如果要给这段经历再颁一个非技术奖项，王同学的答案很简单：「实验最多奖」。 Scaling Law原创突破奖gg团队 统一架构原创突破奖（Unified Block Innovation Award），更像新手村逆袭，颁给了T-Squared。 韩同学和朱同学一个学控制科学，一个学生物医学。夏同学搞生成式设计。 三个人的专业没有一个跟搜广推沾边，此前也没有任何相关比赛经验。 两个本科舍友加一个初中同学，「我们没有经验，也不好让