把人写成一段话：推荐打法换底了

Netflix 那套跑了十几年的推荐底座，被一个只会读书面语的模型比了下去。 名字叫 GenRec。老做法的账摊开是一堆人力：数据科学家手工造几千个特征，把观看行为翻译成各种数学信号。架构要专门定制，基础设施很重，人也一直得盯着。GenRec 换了个思路，把你的观看记录连同影片信息写成一句人话，丢给基础大模型去读。一遍算完，整个片库的分就打完了。特征手工造的流程停了，专用架构也撤了。 结果两句话说完。线上那套调了好几年的系统被追平，还搭上统计显著的提升。最扎眼的数是训练用的标注数据少了四十倍。 四十倍这半句值得多看两眼。几千个特征里攒下的经验，模型读一遍你的观看记录好像就自己长出来了，这跟前面参考图那篇讲的输入质量一脉相承。只不过这次，输入从图像换成了文字。以前推荐的手艺是把人翻译成数字，如今变成了把人写成一段话，面试题怕是要加考一篇作文。 保留的四处我照录。文章用的词是替换，描述看却像对着线上系统做的一次对比。有没有真上全量、每读一遍的推理开销顶不顶得住，它没交代。Netflix 这个体量的账，光是每条推荐都过一遍模型，数字怕是不好看。标注少四十倍的统计口径也没提。 方向已经清楚，落地还差一张成本表。想跟的先去把那篇报道的对比条件抠干净，再下判断。