核心事件：推荐系统也在寻找“Scaling Law”

腾讯营销在 KDD Cup 2026 官方赛道中设置的推荐系统赛题，围绕“大规模推荐系统的统一序列建模与特征交互”展开，并以超过600万元奖金池吸引全球选手参与。

这道题的核心并不是单纯刷榜，而是追问一个更底层的问题：推荐系统能否像大模型一样，依靠统一、可扩展的架构，在规模增长时持续获得效果提升。大模型领域常说的 Scaling Law，指模型规模、数据量和算力投入增加后，性能呈现可预测提升的规律；推荐系统过去并没有完全对应的统一范式。

为什么推荐系统需要“大一统”

传统工业推荐系统长期采用模块化设计：一类模型处理用户浏览、点击、购买等行为序列，挖掘长期和短期兴趣；另一类模块处理用户画像、商品属性、广告素材等离散或连续特征，学习特征之间的组合关系。两套系统再将结果融合，支撑了多年推荐业务发展。

但随着用户规模、广告物料和业务场景持续扩大，这种架构的成本开始上升。不同模块各自维护，带来调参、迭代和工程维护压力；在训练和推理更多转向 GPU 后，异构模块的计算模式差异也会影响硬件利用率。

因此，赛题要求参赛者设计统一的 Recommendation Block。这里的 Block 可以理解为模型内部可重复堆叠的基本计算单元，它要同时承接序列建模和特征交互，尝试把过去分散的能力装入同一套结构中。

全球选手交出的方案

本届赛事吸引了 52个国家和地区、13913名选手、5746支队伍 参与，参赛者包括高校硕博、在职算法工程师和独立技术爱好者。赛事分为学术和工业两条赛道，既鼓励模型范式探索，也强调真实业务中的工程可用性。

关键数据包括：

• 奖金池：超过600万元；
• 学术赛道冠军奖金：200万元；
• 参赛规模：13913名选手、5746支队伍；
• 工业赛道冠军方案：相对基线 AUC 提升0.0048，单样本算力消耗降低18%。

学术赛道冠军队伍 lozyyeah 提出了 CRAFT 特征传输机制。其思路是设置一个“意图 Token”，可理解为承载用户兴趣的临时容器。用户画像、广告等非序列特征生成控制信号，从模型浅层开始引导这个容器；用户行为序列则作为兴趣素材，在多层网络中持续更新该 Token，最终直接用更新后的意图表示进行预测。

工业赛道冠军日之光面（sunshot）的方案 QueryFormer 则更强调落地效率。它以候选商品 Query Token 作为全局交互枢纽，并把 FM 式显式高阶特征交叉嵌入统一 Block 内部。FM 是因子分解机，常用于学习特征组合关系。该方案在处理超长行为序列的同时完成特征交互，并逐层评估每项改动带来的 AUC 收益。

指标之外，效率同样是硬约束

推荐系统和生成式大模型面对的业务约束不同。生成式模型可以接受几十到数百毫秒的响应时间，并利用缓存、流式输出等方式改善体验；广告推荐则通常要在用户滑动页面时完成候选广告打分排序，对延迟更敏感。

因此，离线 AUC 提升并不等于线上可用。AUC 是衡量模型区分能力的指标，数值越高通常代表排序预测越好；但如果推理慢、算力开销高，就难以进入真实广告系统。工业赛道方案同时给出效果提升和算力下降，正体现了赛事对“效果与效率统一”的要求。

值得注意的是，冠军团队赛后复盘称，整套模型代码、多卡分布式训练逻辑和数十组消融实验迭代，主要使用 DeepSeek 网页版完成，仅在论文终稿语言润色时少量使用 GPT，且未调用付费 API。这一细节说明，大模型工具正在降低算法竞赛和工程实现的门槛，但真正决定成绩的仍是问题理解、架构设计和实验验证能力。

赛事背后的产业信号

这次 TAAC 与 KDD Cup 合作，把中国互联网广告推荐中的真实问题交给全球学术界和产业界共同求解。除榜单排名外，赛事还设置 Unified Block 和 Scaling Law 两类创新奖，鼓励不止追求榜单分数，也重视架构启发性。

从行业角度看，推荐系统的“大模型时刻”不会简单复制生成式 AI 路线。广告推荐必须同时满足高吞吐、低延迟、低成本和高精度，统一架构只有在工程效率上成立，才可能成为新范式。未来的关键不只是把模型做大，而是找到能随规模扩展、同时吃满算力并控制成本的底层结构。此次比赛给出的第一轮答案表明，推荐系统的大一统正在从设想进入可验证阶段。