文安县建仓机械厂

邢女士的公婆已七八十岁高龄，都是听障人士。提及近一年来公婆对“投资”的痴迷，邢女士直呼“闹心！”“他们自己会形成一个圈子，一些老人熟了之后就开始借钱。残疾人圈子本来就小，公婆很珍惜来之不易的友谊，都会借出去。对方还钱的时候，估计是显摆了自己怎样‘赚钱’的，老人信了就加群，下载App往里投钱。”

业内人士认为，“星舰”此前多次试飞失败使其可靠大打折扣。此外，在太空中为“星舰”加油的设计操作具风险，此前从未有过相关经验。

当前，“开源”“开放”正在成为推动技术生态快速发展的重要模式。近年来，随着我国区块链生态网络日益扩大，链上数据爆发式增长，通用硬件在处理区块链数据流通和运算时能受限，已经成为国产区块链扩大深化应用的瓶颈。加之安全、信任等方面的需求，推动先进区块链芯片技术开源开放，打造软件、硬件协同发展的技术生态，成为全行业的期待。

前段时间，2025年腾讯广告算法大赛出结果了，冠军团队Echoch直接抱走200万奖金，前10名还都拿到了腾讯的录用意向。

腾讯总裁蒋杰看完比赛直夸，这些年轻人的技术水平跟工业界已经没差别了。

这场比赛可不只是发奖金那么简单，它实际上暴露了广告推荐行业的一个大转向，从原来的判别式方法朝着生成式方法狂奔。

广告推荐这事儿，说起来挺矛盾的。

咱们平时刷手机看到广告就烦，但要是没有广告，好多免费内容咱们也看不着。

平台也头疼，以想着怎么多推几条，现在腾讯都开始喊"少出现一点、对一点"，看来是真的想明白了，比数量重要多了。

传统的广告推荐方法现在看来有点像"刻舟求剑"，给用户贴一堆标签，什么"25-35岁女""喜欢美妆"，然后照着标签推。

这种方法大的问题就是用户一变吉林隔热条设备，推荐就失灵。

工程师们天天加班加点加特征、扩模型，果还是上不去，说白了就是路子走窄了。

传统方法走不通的时候，新的思路就该登场了。

生成式方法不搞那些固定标签，而是把用户的行为当成一本流水账来看。

你什么时候点了什么，看了多久，甚至中间退出去干了什么，它都记下来，然后猜你下一步想干嘛。

这种方法听起来不错，但实操起来麻烦不少。

用户行为数据那么多，模型跑起来又慢又费钱，怎么在毫秒级的时间里给出推荐，这可是个大难题。

广告推荐的老问题遇上了新解法

生成式方法虽然有前景，但不是没有拦路虎。

大的麻烦就是广告数量太多，模型根本处理不过来。

就像图书馆里的书太多吉林隔热条设备，管理员不可能每本都记住。

而且用户行为又是实时变化的，上一秒还在看球鞋，下一秒可能就想给女朋友买礼物，模型得跟得上这种变化才行。

Meta和腾讯之前搞的HSTU、GPR这些方案，都没能彻底解决问题。

动态词表一扩大，训练和推理的成本就跟着爆炸。

模型一边要处理海量数据，一边又得在几毫秒内给出结果，这就像让短跑运动员背着书包跑百米，怎么可能快得起来。

用户的行为数据就像一条长河，传统方法只能舀一瓢水看看，生成式方法想把整条河都观察一遍。

这就需要处理长时序行为，还要把各种信息揉到一起。

LLM的RoPE位置编码这种技术，塑料挤出机就是帮模型记住哪些行为先发生，哪些后发生，有点像给行为按时间戳排序。

冠军团队的"时间魔法"和亚军的"数据瘦身术"

面对这些难题，参赛团队们各显神通。

冠军Echoch团队的思路挺有意思，他们给模型加了"时间感"。

就像咱们知道早上上班、晚上休闲一样，模型也开始学着分辨用户在不同时间段的需求。

他们搞了个三级会话体系，把用户行为分成"初点开-深度浏览-回访"三个阶段，每个阶段的意图都不一样。

不光分阶段，他们还让模型学会看"生物钟"。

你平时什么时候刷手机，什么时候购物，这些规律都被模型摸得清清楚楚。

再加上时间差分桶，就是把近的点击和几天前的点击区别对待，新鲜事当然要优先考虑。

这些招数组起来，模型好像突然就懂了"此一时彼一时"的道理。

Echoch团队还解决了一个大问题，点击和转化的矛盾。

有时候咱们点广告只是好奇，但不一定真想买。

他们搞了个双目标统一模型，点击和转化分开算，该吸引眼球的时候吸引眼球，该促进购买的时候促进购买，一套模型两种策略，这思路确实clever。

让人佩服的是他们处理冷门广告的办法。

以前热门广告总霸占好位置吉林隔热条设备，小品牌根本没机会。

Echoch在编码层加了点随机，让每个广告都有露脸的机会，冷门广告终于不再受冷落了。

亚军leejt团队走的是另一条路，他们玩起了"数据瘦身术"。

广告ID有1800万个，直接处理根本不可能。

他们想了个招，把不常用的广告打包共享词表，再用哈希编码压缩一下，一下子就解决了显存危机。

这就像把大文件压缩成zip包，省空间又不影响使用。

他们还特别会"打扫卫生"，把用户行为数据里的垃圾信息都清干净。

跨天的行为、不相关的点击，该删的删，该分组的分组。

再用异构时序图把用户、广告、语义节点连起来，数据少的时候就"借"点相似用户的数据用，冷启动问题一下子就缓解了。

工程优化上他们更是下了狠功夫，GPU利用率直接拉满100%。

混精度训练、梯度检查点这些技术全用上，训练率提升了好几倍。

本来只能跑个小模型，现在能跑大模型了，果自然上去了。

这些年轻人的创新确实给行业提了个醒，解决问题不一定非要死磕复杂算法。

有时候换个思路，优化一下工程细节，同样能出成绩。

腾讯内部已经开始用生成式模型替换老组件了，蒋杰提到财报数据的时候，那语气里的得意藏都藏不住。

腾讯还打算把大赛数据集开源，让大家一起研究。

这种开放的态度挺好，毕竟动态词表、算力率这些问题，不是一家公司能搞定的。

未来的广告可能不只是从素材库里挑，而是根据你的实时场景现生成，情绪不好的时候推个搞笑的，天气冷了推件外套，想想还挺智能的。

不过话说回来，推荐也得有个度。

要是太懂用户了，反而可能把人困在信息茧房里。

腾讯说要"克制、聪明"，希望他们真能做到。

这些年轻人的突破不光是拿了奖金，更重要的是证明了ScalingLaw在推荐系统里也能用，给大模型落地找到了条省钱的路子。

广告推荐这事儿，说到底还是得懂人。

以前是猜，现在是观察，未来可能真的能做到"想用户之所想"。

随着这些新技术落地吉林隔热条设备，咱们以后刷手机的时候，烦人的广告应该会越来越少，有用的推荐越来越多，谁不想看到自己真的需要的东西呢？