快手发布OneRec智能推荐系统，引领崭新智能推荐纪元！
发布时间：2025-06-20 12:19:23 | 责任编辑：吴昊 | 浏览量：6 次
快手近日宣布上线全新端到端生成式推荐系统 OneRec，这一举措不仅在效果和成本上实现了双重突破，也标志着推荐技术的一个新里程碑。OneRec 利用先进的大模型技术，全面重塑了传统的推荐架构，大幅提升了计算效率。
具体来说，OneRec 的计算量提高了惊人的10倍，算力的利用率也达到了23.7% 和28.8%。这一技术进步让快手的运营成本仅为以往传统推荐方案的10.6%。换句话说，快手不仅能以更低的成本提供更优质的服务，还能在竞争激烈的短视频市场中继续保持优势。
目前，OneRec 已经在快手 App 和极速版中全面上线，承接了大约25% 的每秒请求数量（QPS）。这一系统的投入使用使得用户的停留时长和生命周期显著增长，进一步提升了用户体验。这一新系统不仅帮助快手提高了服务效率，也让用户的内容获取变得更加个性化和智能化。
快手的此次升级，标志着推荐系统进入了 “端到端生成式觉醒” 的新阶段。随着 OneRec 的推行，快手期待在未来吸引更多用户，并实现更高的用户粘性。这不仅对快手本身是个重大利好，也为整个短视频行业带来了新的思考方向。
快手通过 OneRec 系统，展现了其在技术创新和用户体验上的前瞻性，未来将如何运用这一系统，值得我们持续关注。
快手近日推出了全新的端到端生成式推荐系统OneRec，标志着推荐系统进入了一个新的发展阶段。以下是关于OneRec的详细介绍：
技术架构
-
端到端生成式架构：OneRec采用Encoder-Decoder架构，将推荐问题转化为序列生成任务。通过Encoder压缩用户全生命周期行为序列实现兴趣建模，同时基于MoE架构的Decoder实现超大规模参数扩展，确保短视频推荐的端到端精准生成。
-
协同感知的多模态分词方案：面对快手平台上亿级别的视频内容，OneRec首创了协同感知的多模态分词方案，让模型能够更好地“理解”每个视频。
-
偏好对齐机制：OneRec引入了“偏好对齐”机制，通过构建奖励模型（Reward Model, RM）来评估推荐session的质量，并利用Direct Preference Optimization（DPO）进行训练，从而实现模型与用户真实偏好的自我对齐。
优势与成果
-
效果提升：OneRec将推荐模型的有效计算量提升了10倍。在快手主站/极速双端App的短视频推荐主场景上，通过AB测试，OneRec仅凭RL对齐用户偏好即可达到原有复杂推荐系统同等效果，而叠加奖励模型选择策略后，停留时长提升0.54%/1.24%，7日用户生命周期（LT7）增长0.05%/0.08%。此外，模型在点赞、关注、评论等所有交互指标上均取得正向收益，证明其能规避多任务系统的“跷跷板效应”，实现全局最优。
-
成本降低：通过架构级创新，OneRec将训练/推理MFU（模型算力利用率）提升至23.7%/28.8%，通信与存储开销锐减，使得运营成本仅为传统方案的10.6%。
-
泛化能力强：除了短视频推荐场景外，OneRec在快手本地生活服务场景同样表现惊艳。AB对比实验表明，该方案推动GMV暴涨21.01%、订单量提升17.89%、购买用户数增长18.58%，其中新客获取效率更实现23.02%的显著提升。
应用与展望
OneRec已经在快手App和极速版中全面上线，承接约25%的QPS（每秒请求数量），用户停留时长和生命周期显著增长。随着OneRec的推出，推荐系统将加速迎来“端到端生成式觉醒”时刻。
本网站(https://aigc.izzi.cn)刊载的所有内容，包括文字、图片、音频、视频等均在网上搜集。
访问者可将本网站提供的内容或服务用于个人学习、研究或欣赏，以及其他非商业性或非盈利性用途，但同时应遵守著作权法及其他相关法律的规定，不得侵犯本网站及相关权利人的合法权利。除此以外，将本网站任何内容或服务用于其他用途时，须征得本网站及相关权利人的书面许可，并支付报酬。
本网站内容原作者如不愿意在本网站刊登内容，请及时通知本站，予以删除。
