除了研发可灵，快手如何把大模型应用在核心业务上？

界面新闻记者 | 肖芳

界面新闻编辑 | 文姝琪

在AI大模型的布局上，快手被外界熟知的是研发了多次登顶全球视频生成大模型榜单的可灵。但实际上，快手今年还研发了更多大模型，应用在推荐系统、电商和商业化等核心业务场景中。

界面新闻从一位接近快手的知情人士处获悉，这些服务于核心业务的大模型研发团队隶属于快手社区科学线，在组织架构上和可灵AI平行，同样由快手高级副总裁盖坤担任负责人，向快手CEO程一笑汇报。

目前，快手社区科学线相关团队研发的大模型包括服务于推荐系统的OneRec、服务于电商搜索的OneSearch以及服务于商业化的生成式强化学习出价技术等。据一位快手相关人士透露，快手把大模型应用于核心业务场景的过程中，目前有两个主要的方向。其一是通过技术打造高粘性的社区，提升用户体验；另一个是用大模型技术赋能电商、商业化生态，提升商家的经营效率。

 

在快手近日举办的一场内部技术沙龙上，界面新闻记者见到了快手多位大模型的技术负责人，他们分享了大模型在快手业务场景中应用的想法以及给实际业务带来的变化。

其中，快手推荐大模型资深算法专家王诗瑶透露，在提升短视频的推荐效果上，快手放弃了使用开源多模态模型的方案，自研的OneRec模型在多模与推荐对齐的表征方案进行创新，解决私有推荐数据中关联关系提取不足的问题。



她以一个“瓶盖掉酒瓶”中的短视频案例来具体讲解了两种技术方案在推荐系统中寻找相似视频的差异：开源多模态模型的方案检索出来的视频都和酒瓶有关，甚至有不少卖酒的短视频，但实际上，用户想要的可能更加类似于一些生活小妙招。背后的问题在于开源多模态模型对于用户私有数据中关联关系的提取有所欠缺，而快手自研的OneRec模型通过引入强化学习对用户反馈做动态优化，来解决这一问题。

目前，OneRec模型已经迭代三个版本，还解决了推荐系统中营销号占比高、冷启动效果不好等问题。王诗瑶表示，OneRec模型的迭代逻辑是从“解决落地基础问题”到 “优化效率与效果细节”，再到“突破技术天花板探索新范式”，每一版都基于前一版本的业务痛点进行迭代。

根据技术沙龙现场公布的数据，OneRec-V1应用后，快手App和快手极速版的人均停留时长分别提升0.5%和1.17%，推荐内容中营销号的占比也大幅下降；OneRec-V2应用后，快手App和快手极速版的人均停留时长再次提升0.46%和0.74%；OneRec-Think模型的效果比OneRec-V2有了进一步提升，同时还能够未被推荐过用户的优质长尾内容。

在电商搜索方面，电商平台此前大多采用“召回-粗排-精排”的级联架构，常出现的问题包括语义混乱、用户意图理解不全面、冷启动与长尾商品曝光难等问题。快手在电商搜索端应用大模型技术，首要目标就是想解决这些长期存在的痛点。



快手货架电商搜索与推荐算法负责人杨一帆表示，大模型在电商搜索的核心价值是“从行为预测升级为意图理解”。再结合快手内容电商和货架电商的业务模式，快手在电商搜索场景中应该利用大模型技术打造的核心竞争力是技术架构创新和内容生态联动。

快手在电商搜索场景研发的端到端生成式框架OneSearch以生成式模型替代了电商平台传统的搜索架构，通过精准提取核心属性、弱化无关热词，解决商品语义混乱问题，并通过匹配用户即时需求和长期购买习惯来解决决意图理解不全面问题。

杨一帆透露，快手货架电商搜索应用OneSearch之后，用户搜索页面点击率提升2.3%，决策周期缩短至传统模式的1/3，冷启动与长尾场景优质商品曝光概率提升超40%，中小商家订单转化效率平均提升18%。

在商业化场景中，此前快手已经推出AIGC内容生产、投放Agent、营销推荐大模型。而据界面新闻了解，快手商业化体系近期还应用了一种生成式强化学习的出价技术。大模型能从一连串连续的出价和反馈里找到规律，相当于能提前推演出一整段可能的走势；强化学习则专注于对结果打分，把每一步决策都拉回到ROI（投资回报率）、获客成本这些业务目标上。

界面新闻从快手相关人士处了解到，快手今年愈发重视大模型技术在核心业务场景中的应用。在近期的内部活动中，快手科技创始人、董事长兼首席执行官程一笑提到，去年行业虽然对AI的落地应用态度积极，但还有很多非共识之处。今年，行业普遍认为AI肯定用得上，但如何把AI技术和业务场景结合好，各家公司还有很大差异。

显然，在这场技术变革中，快手更在意新技术能够给核心业务带来的收益。