快手大模型实战指南：核心业务落地四步法

在AI大模型的战略布局上，快手最广为人知的是其研发的"可灵"视频生成模型，曾多次在全球视频生成榜单中名列前茅。但鲜为人知的是，今年快手还部署了更多大语言模型，广泛应用于推荐系统、电商运营和商业化等核心业务场景。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

据接近快手内部的消息人士透露，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，在组织架构上与可灵AI团队平行，同样由公司高级副总裁盖坤统筹管理，直接向创始人兼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、赋能电商搜索的OneSearch，以及应用于商业化的生成式强化学习出价技术等。一位快手内部人员透露，在将大模型技术落地核心业务的过程中，公司主要聚焦两个方向：一是通过技术手段打造高粘性社区生态，持续优化用户体验；二是运用大模型技术为电商和商业化体系赋能，显著提升商家的经营效率。

在快手近日举办的内部技术分享活动中，多位大模型技术负责人现身说法，分享了他们将AI技术融入快手业务场景的实践心得，以及这些技术为实际业务带来的显著变化。

其中，快手推荐大模型资深算法专家王诗瑶透露，在提升短视频推荐效果方面，团队放弃了使用开源多模态模型的方案，转而基于自研的OneRec模型，在多模态表征与推荐对齐的技术路径上实现突破，有效解决了私有推荐数据中关联关系提取不足的行业难题。

她通过一个"瓶盖掉进酒瓶"的短视频案例，生动对比了两种技术方案在推荐系统中寻找相似视频的效果差异：基于开源多模态模型的方案检索出的视频大多与酒瓶相关，甚至出现了不少卖酒的营销内容，但实际上用户可能更想了解一些生活小妙招。其根本原因在于，开源模型对平台私有数据中复杂关联关系的捕捉能力存在局限，而快手自研的OneRec模型创新性地引入强化学习机制，根据用户实时反馈进行动态优化，从而精准解决了这一问题。

据悉，OneRec模型目前已迭代至第三代，有效改善了推荐系统中营销内容占比过高、冷启动效果不佳等长期痛点。王诗瑶表示，OneRec模型的演进逻辑经历了从"解决基础能力问题"到"优化效率与效果细节"，再到"探索技术天花板与创新范式"三个阶段，每一代版本都针对前序版本在实际业务中暴露的痛点进行优化。

根据技术沙龙现场公布的数据，OneRec-V1上线后，快手主站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，两大客户端的人均停留时长再次提升0.46%和0.74%；而最新一代的OneRec-Think模型效果较V2版本再有提升，同时还能有效挖掘未被系统推荐过的优质长尾内容。

在电商搜索场景中，传统电商平台大多采用"召回-粗排-精排"的多级架构，普遍存在语义匹配偏差、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，正是为了破解这些长期存在的行业痛点。

快手货架电商搜索与推荐算法负责人杨一帆指出，大模型在电商搜索中的核心价值在于实现了"从行为预测升级到意图理解"的质变。结合快手特色内容电商与货架电商的混合模式，平台应该通过大模型技术构建的核心竞争力，主要体现在技术架构创新和内容生态联动两个方面。

快手为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传统电商平台的搜索架构，通过精准提取核心属性、弱化无关热搜词，有效改善商品语义混乱问题，并通过对用户即时需求和长期购买习惯的深度匹配，全面解决了传统搜索中意图理解不完整的难题。

杨一帆透露，OneSearch在货架电商场景全面应用后，用户搜索结果页面的点击率提升2.3%，决策周期缩短至传统模式的三分之一，冷启动场景和长尾商品的优质曝光概率提升超40%，中小商家订单转化效率平均提升18%。

在商业化场景中，快手此前已推出AIGC内容生产、投放智能体和营销推荐大模型等产品。据悉，快手商业化体系近期还应用了一项基于生成式强化学习的智能出价技术。该技术使模型能够从连续的用户行为和反馈数据中自主学习规律，相当于能预判一整段可能的用户行为走势；而强化学习机制则专注于对营销效果进行量化评估，将每一步投放决策都精准对标到ROI（投资回报率）、获客成本等核心业务指标上。

从快手内部获悉，公司今年愈加重视大模型技术在核心业务场景中的落地应用。在近期内部会议上，创始人兼CEO程一笑特别提到，虽然去年行业对AI技术应用持积极态度，但在具体落地层面仍存在不少亟待突破的瓶颈。今年以来，尽管行业普遍认为AI技术确实具有应用价值，但如何将AI技术与具体业务场景深度结合，各家企业的实践路径仍有明显差异。

显而易见，在这场深刻的技术变革中，快手更关注的是新技术能否为核心业务带来实实在在的增长收益。