震撼全網！3位00后奪200萬大獎，卷走鵝廠頂級Offer

新智元報道

編輯：桃子 好困

【新智元導讀】千團大戰殺出三匹黑馬，200萬大獎竟被這屆00后卷走了！歷時4個月的廣告算法大賽收官，全球2800支戰隊全部死磕「全模態生成式推薦」。令人驚喜的是，高校學生們的最新方案，已與工業界沒有代差。

三人組隊，獨攬200萬巨額大獎！

歷經四個月的鏖戰，「騰訊廣告算法大賽」終極戰果正式揭曉——

集結了華中科技大學、北京大學、中國科學技術大學三所頂尖高校的「Echoch」戰隊脫穎而出，強勢問鼎冠軍寶座！

而在他們身后，狹路相逢的對決同樣精彩。

其中，來自中山大學的「leejt」戰隊，以及由一位香港大學單槍匹馬組成的「也許明天」戰隊，憑硬實力殺入三甲。

最令人心動的是，前十名所有成員，全員喜提Offer意向書，直通鵝廠！

本屆大賽以「智AI『薦』未來」為題，是一場名副其實的「千團大戰」：

全球30個國家、8400多名技術精英、2800余支戰隊參與角逐。

從6月啟幕到巔峰決戰，最終殺入決賽的TOP 20，絕對稱得上是「萬里挑一」。

這場國內數據規?？涨暗馁愂拢缤环綕饪s的「練兵場」，不僅見證了00后和90后們的熱血，更揭示了一個技術風向：

推薦系統正告別「檢索-排序」的舊時代，大步邁入「端到端生成」的新紀元。

全模態生成，推薦終極形態

回溯這場大賽的起源，不得不提到其核心賽題——「全模態生成式推薦」。

這是一個直擊廣告行業痛點的前沿課題。

為何要押注「生成式推薦」？

在AI時代流量遷移的大背景下，用戶逐漸從搜索走向聊天交互，「問AI」代替了「搜索」。

而且，這個全新入口具備了交互多輪、長記憶的特點，人們停留時間更長，由此流量必然發生遷移。

判別式，跟不上時代了

在傳統廣告推薦中，往往采用的是「多階段級聯」的策略，存在著明顯的局限性。

比如，召回信息不可逆損失、各階段目標不一致，難以統一優化等。

從召回，到粗排，再到精排，過去常用的是不同的特征空間與模型結構，「割裂」難以避免。

有些特征在召回階段不可用，但在精排中又是必需的，也就意味著，特征交互無法跨越階段共享。

結果就是，推薦系統難以端到端學習，只能「拼貼式」調參。

更直白一點，傳統推薦系統中，用戶的興趣往往通過點擊率、停留時間來推斷，但這種「判別式」方法，忽略了多模態數據的豐富性。

一張圖的色彩情感、一段視頻的敘事節奏，這些元素不能有效融合，推薦難以觸及用戶內心。

也就是說，推薦的核心，在于「懂」。恰恰，全模態生成式推薦，是大勢所趨。

放眼全球，「生成式推薦」成為了行業的風向標，諸如谷歌、Meta等硅谷巨頭，在這一范式下展開布局。

前段時間，Meta團隊發布了GEM，一款全新的生成式廣告基礎模型。

在Meta旗下社交平臺上，它可以從每天數十億用戶交互中學習，包括文本、圖像、音頻、視頻等數據，可以捕捉信息背后細微的差別，對內容智能排序推薦。

亞馬遜也在主攻「生成式推薦」，用生成模型理解用戶購物意圖，再用LLM生成搜索查詢匹配廣告。

還有Shopify，將「語言模型+商品理解+個性化」結合打造出超級電商推薦引擎。

他們認為，「當商品會介紹自己，推薦就做好了」。

判別式推薦框架，往往局限于二元判斷，無法真正捕捉用戶動態需求，而生成式推薦能實時生成個性化的內容序列，讓推薦不再冰冷。

全模態生成式推薦，是這一范式的升級版本。

它要求AI不僅要理解文本的語義，還要整合、解讀多模態信息，從用戶復雜行為序列中，深度挖掘出潛在的興趣。

AI不僅能看懂，還能實時生成下一秒最可能點開的廣告。

只有這樣的推薦系統，才真正實現了從「被動匹配」到「主動創造」的飛躍。

這屆學生，實力緊追工業界

為了讓選手直面真實業務挑戰，騰訊廣告直接給到了脫敏后的「用戶全模態序列」數據，在業內實屬罕見。

需要明確的是，所有這些信息都「不是原始數據」。

而是用大語言模型和多模態模型，從廣告素材和文本中抽取出「embedding」向量。

每個行為包含了廣告的ID類特征，以及多模態信息，如文本、圖像等等。

這場比賽，真正的核心是：基于脫敏后的「全模態歷史行為」數據，預測下一次可能交互的廣告。

初賽階段，TencentGR-1M包含了百萬量級的數據。到了復賽階段，TencentGR-10M規模直接爆沖千萬級。

具體包含了約1000萬用戶與1800萬廣告素材，涉及約1000萬條序列數據。

尤其是在復賽階段，選手們還需要預估「點擊」和「轉化」兩種行為。

預測用戶高價值行為——「轉化」，同時成為了比拼的重中之重。

要求是，在「序列」和「預估目標」中同時引入轉化，并且預測成功轉化，便會得到比點擊更高的分數。

在計算HitRate和NDCG指標時，會賦予二者不同的分數：「點擊」分數為1，「轉化」分數為2.5

想要在復賽中通關，核心難點在于——

• 多模態噪聲與缺失

原始多模態特征雖提供了圖像、文本語義信息，但缺失率高、信噪比低。

特別是，fid=84-86被識別為高噪特征，若不經過清洗，便會導致訓練不收斂，甚至性能直接倒掛。

• 超大規模稀疏ID，帶來了計算瓶頸

千萬級數據規模若是實建完整的Embedding矩陣，顯存直接原地爆炸。

因此，需要設計高性能的模型架構和訓練方式，優化模型復雜度，提升訓練和推理效率。

• 冷啟動，訓練與推理數據分布差異

在推理階段，也會出現訓練集中未見的item，且缺乏對應的統計特征和完整的行為序列上下文，難以精準建模其推薦邏輯。

因此，模型需具備強大的「泛化」能力，依靠有限內容特征，準確分析推斷出潛在受眾。

• 特征種類多且復雜

除了6種多模態特征，還包括多個稀疏類別特征以及數組特征、行為特征以及時間特征。對諸多特征如何進行特征工程處理是關鍵。

不難看出，這一屆大賽，是真刀真槍的巔峰對決。

它以「真實場景+前沿方向」鍛造賽題，聚焦生成式推薦和多模態融合，為下一代推薦算法路徑破局。

冠軍方案

在決賽現場，20強選手齊聚一堂，他們的方案如同一場技術盛宴，讓人目不暇接。

冠軍戰隊Echoch的方案尤為亮眼，聚焦于「生成式行為條件化建?！购诵奶魬穑谔卣鞴こ獭⒛Ｐ蛣撔?、語義ID生成與Muon優化層面做出了創新。

想象一下，用戶瀏覽廣告的行為序列往往雜亂無章，Echoch則巧妙將這些「行為條件化」（Action-Conditioned）。

由于用戶行為具備「長短周期」特點，團隊構建了三級會話體系，同時補全一系列時間感知特征。

面對點擊和轉化天然沖突，他們徹底重構了PinRec思想，提出了「逐位置行為條件化」。

在特征空間變換層（FiLM），把下一個目標動作投射到不同子空間。同一個用戶序列，在預測點擊和轉化時，表征完全不同。

在注意力匹配（ATTMatch）上，如果當前目標是「轉化」，模型會在Attention中歷史上出現過的轉化給予更高的權重。

在整個架構上，他們采用了LLM風格的Dense Model作為基座，即標準Transformer+RoPE位置編碼。

將用戶行為按物理時間坐標排好，最終在給定的曝光、點擊、轉化條件下，實現精準召回。

在LLM基座+RoPE中，線上核心指標提升+0.013，且單卡顯存占用減少約5GB的空間。

針對語義ID數量級大、稀疏性的特點，他們采用了「SVD降維+層次化聚類」生成語義ID，得以讓長尾item訓練關注度提升190倍，碼表利用率從81.2%飆至100%。

在訓練過程中，Muon優化器很好地解決了參數量大的問題，再加上工程優化，大大加速了訓推過程。

亞軍戰隊leejt則從另一角度切入，將核心發力點放在了「如何更好地處理用戶數據和安全數據」。

在廣告推薦中，用戶數據往往涉及隱私和安全，他們為此設計了「Encoder-Decoder」架構。

Encoder端使用了G-MLP處理用戶和Item特征，Decoder端使用改進版的SASRec Transformer。

這套創新訓練策略，實現了高效的性能提升，最終獲得了評審團的高度認可。

另外，「也許明天」戰隊，一人參戰，對廣告推薦系統Scaling Law進行了深刻探討。

他驗證了單純增加Embedding維度和模型層數，也能帶來性能的顯著提升，若用更多GPU，則可獲得更強的性能。

這份方案極具啟發性，讓人看到了生成式推薦的無限潛力。

三支不同隊伍，在具體實現路徑上展現了截然不同的風格：

Echoch勝在模型結構的深度魔改與優化器創新；

leejt勝在多模態特征的精細化處理；

也許明天則勝在對Scaling Law的極致信仰。

盡管切入點有所不同，但在生成式推薦任務中均拿下了高分，不論在核心架構，還是工程優化方面，他們技術路線又存在一些共同點。

從這些選手的創新方案中，我們可以清晰看到騰訊廣告的戰略布局。

一場比賽，做成了行業標桿

作為連接全球技術人才的平臺，本屆騰訊廣告算法大賽，從技術探索、人才培養、生態共建三大維度，為廣告行業注入了持續創新的動能。

一場歷時四個月的比賽，沉淀了無數實戰成果。

全球2800+戰隊提出的方案，覆蓋了生成式推薦創新架構、多模態對齊方法，以及系統性能優化路徑。

這些不僅具有學術價值，還可以為行業提供寶貴的參考價值。

騰訊公司副總裁蔣杰提到，「我看到了一個很驚喜的點，現在的學生與工業界幾乎沒有代差，甚至更有創意，與過去形成了鮮明的對比」。

如今，1-3人組隊就能完成一個大團隊的活，這是與互聯網時代學生們的本質區別。

在技術探索上，選手們不再局限于實驗室中的數據，而是采用「分布式」工業級做法。

并且，在處理長序列數據時，熟練運用RQ-VAE、RQ-KMeans等主流手段進行向量化處理。

在人才培養上，大賽構建「以賽育才、以賽選才」的良性生態。

通過真實場景實戰，讓高校學子銜接學術與產業。TOP 10選手獲得Offer，正是這一機制的體現。

在采訪中，蔣杰突出強調了加入騰訊，能夠為學生們帶來的價值所在。

直入「青云計劃」，在內部有一套高端培養體系，包括導師、資源、計算卡，這對學生來說是巨大的吸引力。

更重要的是，騰訊業務的多樣化生態，讓學生可以接觸豐富的數據和場景，實現快速成長。

而在生態共建上，大賽聯動「產學研用」：全球學術專家、技術精英與青年人才，還邀請香港中文大學副校長金國慶教授分享了前沿趨勢。

不僅如此，騰訊廣告還將開源數據集，讓更多研究者參與進來，推動多模態推薦領域的進步。

這屆騰訊廣告算法大賽完美收官，給人最大的感受是——標桿已經立住了。

它不只是一場比賽，更是新征程的起點。

展望未來，騰訊廣告還將持續搭建高規格平臺，與全球人才共赴算法宇宙的星辰大海。

秒追ASI

?點贊、轉發、在看一鍵三連?

點亮星標，鎖定新智元極速推送！