推薦系統走向新范式 快手技術沙龍聚焦生成式推薦技術落地

近日，快手技術沙龍第四期在北京舉辦，本期沙龍以「快手生成式推薦技術的體系化演進——統一基座、池化預估與場景實踐」為主題，圍繞OneReason、Pool-Rec、OneSearch V2、GR4AD等核心技術實踐，系統分享快手在生成式推薦領域的最新探索。

活動上，「快手探索者LLM-Rec挑戰賽」正式發布。該賽事由快手與ACM SIGIR 2026聯合舉辦，聚焦大模型與推薦系統融合，面向全球范圍內各類院校的全日制在校學生開放，參賽者不限國籍、院校和專業。

賽事官網：https://ks-llmrec.streamlake.com

快手探索者LLM-Rec挑戰賽正式發布

活動上，快手基礎大模型與應用部、推薦模型部負責人李晗正式發布「快手探索者 LLM-Rec 挑戰賽」。賽事希望通過開放真實場景和前沿課題，進一步加速大模型與推薦技術的深度融合。快手鼓勵參賽者將推薦模型與大語言模型的優勢相結合，探索推薦系統邁向更高階智能的可能路徑，讓更多優秀想法不僅停留在論文層面，更能夠被驗證、被實踐、被看見。

OneReason：當推薦系統學會思考

OneRec系列生成式推薦模型已在多個業務場景中實現規模化落地，釋放了next-token prediction框架下的Scaling收益。推薦系統下一階段的關鍵問題，是如何讓模型不僅"生成結果"，更能夠"理解原因"與"完成推理"。

快手推薦模型部生成與排序模型負責人唐睿明分享了OneReason的核心思路：生成式推薦模型要進一步獲得類似大語言模型深度Reasoning所帶來的能力躍遷，需要面向推薦場景系統性構建推理能力。團隊搭建了面向推薦任務的CoT數據體系，以激發模型在推薦過程中的真實推理能力；同時在推薦任務的RL階段引入Reasoning數據飛輪，通過多輪迭代持續優化CoT質量，實現推薦場景中模型推理能力的大幅提升。

OneReason的探索，標志著生成式推薦正在從Scaling走向Reasoning，也為推薦系統在復雜場景下的決策能力升級提供了新的技術路徑。

Pool-Rec：基于異構算力池化的推薦預估系統

生成式推薦模型的持續Scaling對底層算力供給、推理架構與系統效率提出了更高要求。快手計算引擎架構負責人柳嘉強介紹了基于異構算力池化的推薦預估系統Pool-Rec：通過基礎設施、算力調度與推理引擎的系統升級和協同優化，實現AZ級異構資源的統一池化與彈性供給。

該系統大幅提升了模型算力利用率MFU，并推動推薦預估系統向高密GPU架構和分布式推理方向演進，不僅支撐了OneRec系列生成式模型的工業級落地，也為推薦模型持續Scaling提供了高性能、高效率、可擴展的系統底座

工業級生成式搜推的下一階段：從生成候選到生成決策

生成式檢索與推薦正在從前沿探索走向工業主鏈路，真正的挑戰已經不再只是"能否生成候選"，而是如何讓模型具備復雜意圖理解、推理決策和偏好對齊能力。快手貨架電商推薦與搜索負責人楊一帆結合OneSug、OneSearch V1、OneSearch V2等One系列工業實踐，系統梳理了生成式搜推從query生成、item生成，到推理能力內化和生成決策的演進路徑。

在電商場景中，用戶需求表達往往具有模糊性、多樣性和強上下文特征，生成式搜推框架則通過更強的語義理解和生成能力，為復雜意圖建模和商品匹配帶來新的可能。面向下一階段，興趣編排、搜推一體和主鏈路閉環，將成為生成式搜推繼續突破的重要方向。

GR4AD：生成式廣告推薦的工業實踐——從Token到Revenue

如何將生成式推薦能力轉化為可驗證的商業增長？快手商業化直播模型與內循環召回負責人吳文金分享了GR4AD的方案：以OneRec的decoder-only架構為基礎，結合廣告業務特點，圍繞表征、學習與服務三大層面進行協同優化——引入多模態語義主成分ID增強模型對廣告內容與用戶興趣的表達能力，提出懶惰自回歸Lazy AR與價值感知學習對齊業務目標，建設商業化實時訓練與推理服務體系保障在大規模線上場景中的穩定落地。

目前，GR4AD已在快手廣告平臺完成全面落地，并取得顯著業務收益。

站在推薦系統新一輪范式變革的節點，生成式技術正在推動工業級智能系統從"精準匹配"走向"理解、推理與決策"。未來，快手也將圍繞統一技術基座、推理增強和系統效率持續探索，推動生成式推薦不斷向前演進。

與此同時，「快手探索者LLM-Rec挑戰賽」已正式啟動。本次挑戰賽面向全球范圍內各類院校的全日制在校學生開放，快手期待與更多青年技術人才一起探索生成式推薦的未來，共同定義下一代智能推薦系統。