剪辑｜张倩郴州钢绞线 矿用

近，你有莫得刷到篇题为《我用 DeepSeek 网页版拿下 KDD Cup ！》的帖子？

这个帖子的作家是 Kaggle 大众排行的「敌叉包」同学。近，他和在国内算法竞赛中累计得回 15 次的队友起，拿下了 TAAC × KDD Cup 2026 大赛的工业赛谈，金 15 万好意思元。

工业赛谈团队「日之光面」。

这个比赛咱们之前也先容过，是腾讯告白算法大赛（TAAC）与 KDD 联动的场比赛（参见：「龙虾」爆火，token 成「硬通货」后，这场 AI 比赛变得紧要了），金池达 88.5 万好意思元（约 600 万元东谈主民币）。学术赛谈金比工业赛谈还，达到了 30 万好意思元。这样的赛事别和池领域在国内相当特地。

大赛的报名东谈主数也创了新 —— 眩惑了来自 52 个国和地区的 13913 名选手，构成 5746 支军队，闪避大众 907 所院校，可见赛事竞争有多浓烈。

上周，大赛在韩国济州岛（KDD 大会举办地）落下帷幕，学术赛谈、工业赛谈两大 TOP，以及两项原创冲破，现场次揭晓。

学术赛谈团队 lozyyeah。

正如「敌叉包」同学写的那样，这届比赛有个很故意旨道理的变化：选手们险些齐是「AI Native」的，大模子、生成式用具等于他们正常职责流的基础 —— 碰到不会的地，跟 AI 学；服从提不上去，让 AI 出主意；代码写得慢，用 vibe coding……

「敌叉包」和队友构成的「日之光面」团队故意旨道理，凯旋给国产大模子来了个「压力测试」：莫得调用任何 API，莫得在 GPT 和 Claude 之间切换，全程只用个 DeepSeek 网页对话框，就跑出了「职责流」，全网直呼「爽文」，帖子也被大齐转发。

「日之光面」团队使用 DeepSeek 网页版比赛的温存历程。

不外，大也提到，其实用具便利是面，紧要的如故「量度念念路」，这亦然选手们在比赛中拉开距离的要害。

好在，大赛收官的 workshop 上，获选手们把各自的案完满讲了遍。听下来直不雅的感受是：这谈价值 600 万的赛题，如实被「压榨」出了不少真东西，险些每个获案齐有我方的原创冲破。这些案，甚而有可能让告白除外的 LLM 量度也从中受益，因此值得一一细看。

不外在此之前，咱们得先回到启程点：这到底是谈什么样的题？

这谈题的难点，

藏在「统」两个字里

本年赛题的官题目叫「面向大领域荐的序列建模与特征交互的统」。听着很绕，其实说到底就件事：用种统的建模法，推断个用户看到某条告白之后，会不会简直迈出下步，比如、购买、注册，或者下载。行业给这个概率起了个名字叫 CVR，但说白了，它推断的是东谈主的步履，是以要对东谈主有充分的调节。

这个推断若何进行呢？主要靠两类数据：类是用户步履序列，像条束缚滚动的时候轴，比如个用户早上刷一又友圈、中午看新闻、下昼在小标准点咖啡、回路上追剧；另类曲直序列的多域特征，比如用户的「东谈主设」、告白所属的类目，还有些高低文信号和交叉特征。

天然，出于公温煦隐秘，这些数据齐作念了脱敏处理，不放任何原始文本、图片、URL 或可识别个东谈主信息。 是以选手不是在「调节推行」，而是在堆匿名 ID 和向量里，把「东谈主」和「货」在同个示意空间里对上号。

提防，信得过的难点其实体当今「统」这两个字上。

夙昔，这种推断任务是分开进行的：个模子处理非序列特征（比如看用户是什么样的东谈主），个模子处理步履序列（比如看用户近干了什么），后再把双方的判断拼起来。这种「各算各的、后再汇总」的式，不仅会带来换取的计较和的系统复杂度，也很难充分捕捉序列步履与多域特征之间细粒度的交互相干。

而本年赛题要的「统建模」，等于要找到种新的模子结构，让不同口头、不同时间维度的信息在同个模子里信得过发生交互。这就像发明台「混动车」，让汽油和电在系统底层就融成种统的能量表征，再输出能源。

但真要把这台「混动车」造出来并拦阻易。官说得很直白：不是把通盘特征「强行塞进」个相聚就算统。它要你把非时序的多字段、高低文特征，和带严格时候戳、跨多个步履域的步履流，在同个架构里度融。拍平了会丢掉字段身份和时候相干，全作念雅致交互又会让算力爆炸。此外，这套统模块还得在海量、度稀疏、基数弘远的工业特征眼前保抓鲁棒。

尖酸的是鱼与熊掌须兼得：准确率要上去，还要支撑层堆叠，并在能 GPU 上收场大 Batch 的检修与理。而为了逼大拼模子预备的真本领，比赛全程严禁模子融（No Ensembling），靠集成刷榜的套路凯旋作废。说白了，这台车既要爬坡有劲，又要省油，还得语气跑完资料。

这台「车」造出来有什么价值呢？被请到现场发言的 Meta 荐系统 Rui Li 把账算得很明晰，笔是工夫账，笔是经济账。

工夫账的中枢问题是：Agent 能替你写代码、订机票、回邮件，但你会让 Agent 替你刷、替你刷一又友圈、替你和一又友聊天吗？粗犷率不会。因为「破钞推行、发时候、维系相干」这些事没法外包，而荐碰巧长在这些事的进口上。是以哪怕 AI 再往前走，荐也不会被吃掉。

要害的是，荐是个莫得圭臬谜底的问题，信号噪声又大。是以改良荐系统像是场压力测试，Rui Li 我方齐承认「齐在细节里」。这样场压力测试关于选手的成长越过成心。

此外，正因为荐在这种噪声里泡了十几年，才练出套「从噪声步履数据里把东谈主读出来」的本领。而这套本领郴州钢绞线 矿用，很可能恰是今天 LLM 作念个化缺的那课 —— 大模子会解题，但还不太会读东谈主，而荐系统十几年就干了件事，在嘈杂的步履里读东谈主，这种才能的影响畛域可能被低估了。

经济账则凯旋。在告白这种场景里，0.1 的提高就意味着数十亿好意思元，0.01 齐不是小钱 —— 按 Rui Li 的说法，这比本年发出的金多得多。这亦然为什么关联东谈主才值钱。

这些价值，齐是大赛的眩惑力地点。

案：

若何把果作念到致？

题读已矣，该看解法了。先来看两个团队的案，他们管理的是统建模之后，两个遑急的实操问题。这让他们把果作念到了致。

工业赛谈：若何生成好的 Query？

工业赛谈「日之光面」团队收拢的，是荐系统里个很容易被忽略的问题：Query 质料。

咱们不错把历史步履看作个信息库，Query 等于模子递进去的检索申请。申请暗昧，再长的序列也难转动为有信号。

官 Baseline 天然使用 Cross-Attention 读取用户步履序列，但 Query 主要由浅近 MLP 生成，用户、告白和高低文之间枯竭充分交互。

于是，团队把化从「塞入多历史」转向了「生成好的 Query」，并由此建议 QueryFormer：先让用户、告白和其他非序列特征充分交互，酿成质料的 Query，再用它从步履序列中寻找与现时告白关联的信息。

具体来说，QueryFormer 先按字段畛域拆分不同来源的 Dense Embedding，差别生成 Token；随后通过 Self-Attention 完成用户侧、告白侧的里面交互，再以 Cross-Attention 建模用户与告白的匹配相干。这样，模子在读取历史前，也曾知谈濒临的是「如何的用户」和「哪条告白」。

在序列检索阶段，QuerySeqCrossAttn 使用告白侧 Query，从四个业务域中动态索求关联步履；SeqQueryCrossAttn 则用 Cross-Attention 替代固定的 MLP 来生成 Query。

团队还通过多列 Embedding Matrix，从同份输入中学习不同视角的 Query。随着列数增多，模子果抓续提高，但后期收益冉冉减小，因此终弃取了果与理率平衡的成就。消融实验也显现，多个 Query 化模块齐带来了慎重增益，其顶用 Cross-Attention 动态生成 Query 的作用显豁。

终服从考据了团队的中枢判断：濒临漫长而嘈杂的用户历史，提「检索问题」的质料，比单纯增多历史长度或模子领域有。

学术赛谈：有效信息若何跨层运载？

「日之光面」管理的是「如何问对问题」，学术赛谈「lozyyeah」温暖的则是如何聚焦意图。

他们在调研中发现，现存统荐模子也曾能让用户特征、告白特征和步履序列相互交互，但这些模块主要管理「现时这层如何融」。随着相聚束缚堆叠，用户意图可能被闪避，序列信息可能被过度压缩，预应力钢绞线终出现示意坍弛和膨胀果不慎重。

为此，团队建议 CRAFT，把量度从 Feature Interaction 转向 Feature Transport。它不单有计划特征之间如何交流，还要限定有效信息如何穿过多层相聚。其念念路受到 flow matching 的示意畅通视角启发，但并非凯旋套用 flow matching。

具体来说，模子先会把输入整理为非序列 Token、序列节录和 Intent Token。每个 CRAFT Block 会先汇总非序列信息，再生成缩放、偏置和残差门控参数，对 Intent Token 和序列情状进行径态调养；完成这步「搬运」后，原有的 Cross-Attention、RankMixer 等模块才开头进行特征交互。

其中，Intent Token 不再仅仅用来检索序列的 Query，而是相接多层相聚的信息载体。模子既能根据现时样本，把它向适的示意空间，也能在要时拉回运功绩态，从而减少用户意图和序列凭据在多层交互中被冲淡。

实验显现，随着 CRAFT Block 增多，模子果稳步提高，Intent Token 的示意空间也变得加丰富，阐扬有效信息如实能够在的集聚积抓续传递。不外，这种收益并不会随着模子变大而限增长：限定增多宽度果好，不竭膨胀反而收益停滞。

因此，CRAFT 的价值不仅仅把模子作念大，而是提供了条可控的膨胀旅途 —— 让相聚在增多容量时，仍能保留并传递信得过有效的信息。

不设排行门槛，

两项原创冲破到底在冲破什么？

两支队神敢于管理信息如何「取准」「送稳」这两个实操问题，两项原创冲破则不竭向下追问，承载这些信息的系统应该如何搭、如何长。

这里需要极度说下原创冲破的重量。腾讯官给这两个的定位很特殊，它们不与总排行挂钩，每个 4.5 万好意思元，门励在工夫东谈主区的探索。哪怕终排行不在前哨，只消案饱和亮眼、有原创冲破，照样能够拿。旧年大赛甚而是在颁现场临时增设了这个项，就为了励支排行不在前三但案其出彩的军队。本年凯旋预设两个，摆明了气派，他们要把励投向可能更变下代荐系统工夫阶梯的量度：个要重写不同特征如何共处的底层架构，另个要考据这种架构能否信得过走向领域化。

统框架原创冲破获团队 T-Squared。

Scaling Law 原创冲破得回团队 gg。

这种关于工夫原创的垂青，让两个冲破案有了开脱的探索空间。

统框架原创冲破：不同特征之间的通讯畛域是如何的？

咱们在前边提到，传统荐模子时常像座单干明确的工场：非序列特征由个模块处理，用户步履序列交给另个模块，直到后才汇。统框架原创冲破团队 T-Squared 则但愿把这些本领串成条活水线，让用户、商品、高低文和多域步履序列在同个骨干中早、入地交互。这也文告了本次大赛的中枢命题。

不外，统并不料味着把通盘 Token 放在起任其交流。多个步履域在语义、长度和时候模式上互异显豁，若是遴荐不竭的 Attention，关信息可能相互烦嚣，强步履域也可能压制弱步履域。为此，团队建议以 TopoMask 为中枢的统框架：示意空间保抓统，信息流动则受到结构箝制。

模子先构建 Global Memory 和 Domain Memory。前者汇总不同来源的全局信息，后者为每个步履域保留立节录，避域特征被过早混。DualQ 模块还会围绕现时候选告白，提前建造用户、商品和高低文之间的量度，再生成适配不同域的 Query。

进入 MaskRec Block 后，TopoMask Attention 会根据预设的拓扑相干，决定每类 Token 不错读取哪些信息。它相同于把言语模子中的因果 Mask 从「时候门径」广到「特征相干」：通盘 Token 齐在同个骨干中新，但并非相互可见，从而兼顾统建模与结构保留。

实验标明，这种受控通讯的统架构能够慎重提高果，其中繁密特征的结构化组织尤其紧要：压缩得太狠会蚀本信息，拆得过细又容易主检修、激励过拟。

因此，TopoMask 的中枢价值不仅仅「把特征放在起」，而是为不同信息预备理的不竭式 —— 让该交流的充分交流，不该混的保抓畛域。

Scaling Law 原创冲破：模子变大时，新容量里该装什么？

Scaling Law 原创冲破得回者 gg 团队温暖的，是荐模子扩容时个基础的问题：新增参数究竟应该用在何处？

官 Baseline 也曾能够统处理静态特征和步履序列，但多组 Dense 和用户画像特征被过早压缩，多值特征中的细节也容易在池化中丢失。此时不竭加宽模子，可能仅仅让它反复处理同批有限信息。

为此，团队建议 CosFormer，中枢念念路是让「信息」和「模子宽度」协同膨胀。传统法时常保抓输入 Token 不变，只增多处理这些 Token 的参数；CosFormer 则条目每次增多模子容量时，齐同步加入组佩带新信息的 Token。换句话说，模子不仅要变得强，也要看到多有价值的东西。

这些新增 Token 被组织为四类语义信息：静态特征、显式交叉特征、序列关联特征和全局特征。举例，不同来源的 Dense 特征不再被过早压缩，用户与候选告白的交互也被提前显式建模，时候和历史窗口信息则酿竖立通谈。通盘 Token 终进入同条信息流，由统模子完成推断。

信息变多之后，CosFormer 还要管理「如何把它们用好」。MaskNet 引的双流结构会根据现时样本弃取和重加权不同通谈；Token-type Private FFN 则让同类 Token 分享相聚、不同语义类型差别处理。这样既能提模子的业化进度，也避为每个 Token 单建模带来的过拟。

实验中，信息与宽度协同膨胀带来了抓续而慎重的收益，单纯增多参数或加入不佩带新信息的空 Token 则很快碰到瓶颈。随着新增信息冉冉换取，模子的边缘收益也会下跌，酿成个造就上的「信息前沿」。

这阐扬荐模子的 Scaling 不成只看参数目：新增容量只消承载新的有信号，并配套相应的信息弃取机制，才可能信得过转动为果提高。

把四套案放在起看，档次其实很意见：QueryFormer 管理了输入端的问题（若何问对），CRAFT 管理了传输层的问题（若何保真），TopoMask 从头界说了架构层的不竭规矩，CosFormer 则摸到了膨胀层的礼貌畛域。从「若何问」到「若何传」，再到「若何连」、「若何扩」，它们拼出了条从局部到系统、从当下到畴昔的完满工夫干线 —— 荐系统的下步，不会只靠大的模子，而要靠的信息组织。

600 万池除外，

这场比赛信得过留住了什么？

跳出赛题本人，从外部视角看，这场比赛信得过千里淀下来的，是两样东西：样给了行业，样给了东谈主。

给行业的，先是向。Rui Li 在演讲里把话说得很剖析：只消抓续插足算力，荐模子就能抓续换回收益。也等于说，Scaling Law 这套在 LLM 身上被考据过的逻辑，此次被系统地搬进荐，越过于把这条路又照亮了截。

其次是数据。荐量度这样多年跑得不快，个绕不开的原因是工业数据很难拿到。Rui Li 提到，他 20 年前读博时，连份能用来作念量度的荐数据集齐找不到；LLM 跑得快，很猛进度是因为它有公开数据、公开 benchmark，而荐域否则。腾讯此次把海量真实业务日记清洗、脱敏到能拿出来公开比赛的进度，本人等于在补学术界和工业界之间难补的那谈 gap。数据旦绽放，后头通盘这个词域的量度节律齐会随着快起来。

给东谈主的，则是舞台和去向。和 KDD 联动之后，选手站上的不再是个公司办的赛场，而是舞台。大和来自 52 个国和地区的万多名选手同台竞技、互通有，简历上从此多了项大众齐认的加分项。

确凿的是后半程：比赛罢了不是句号，腾讯并莫得把它当成次的选拔，而是放进了套长期的东谈主才布局里：赛事认真让大众工夫东谈主才同场交流、展示才能，青云筹划认真在赛后抓续温暖和支撑，闪避发现、吸纳、培养几个枢纽。接下来，腾讯还会面向有实力、有实操才能、能把方针快速落地的东谈主，提供抓续的工夫交流、产业量度和形势履行契机。对选手来说，这意味着进入真实业务场景的契机，他们不错接着把事作念下去。

比及来岁的大赛开场，今天被考据的工夫阶梯，有时也曾成为下轮竞争的启程点。到当时，新批 AI Native 选手又会把荐系统往前多远？值得期待！天津市瑞通预应力钢绞线有限公司相关词条:玻璃棉毡     塑料挤出机     预应力钢绞线    铁皮保温    万能胶生产厂家

1.本网站以及本平台支持关于《新广告法》实施的“极限词“用语属“违词”的规定，并在网站的各个栏目、产品主图、详情页等描述中规避“违禁词”。
2.本店欢迎所有用户指出有“违禁词”“广告法”出现的地方，并积极配合修改。
3.凡用户访问本网页，均表示默认详情页的描述，不支持任何以极限化“违禁词”“广告法”为借口理由投诉违反《新广告法》郴州钢绞线 矿用，以此来变相勒索商家索要赔偿的违法恶意行为。