OneRec翻译站点

在推荐技术从多级流水线向简洁、高效的方向变革时，OneRec应运而生。这一由快手(Kuaishou)团队提出的端到端生成式推荐框架，不仅统一了检索与排序流程，还在真实场景中取得显著效果。本文围绕模型结构、核心创新、应用效果和实用建议，为 AI 工具使用者全面解读 OneRec，提升关键词曝光与专业流量关注。

OneRec 是什么？

OneRec（One Recommendation）是由快手团队提出的首个端到端生成式推荐系统，于2025年2月发布 arXiv 论文。不同于传统“检索–排序”两阶段结构，OneRec 将推荐过程直接视为生成任务，通过编码用户历史行为并逐步生成一组候选视频，实现检索和排序的统一优化。

核心创新一览

端到端生成模型

OneRec 使用 encoder–decoder 架构，将用户历史行为编码为上下文，再自动生成一系列推荐结果。借助 sparse Mixture-of-Experts (MoE) 架构提升模型容量，同时控制计算开销。

会话级生成机制

不再逐项预测下一个视频，OneRec 实现会话级候选生成，保证输出视频组上下文连贯性，避免繁琐后处理 。

Iterative Preference Alignment（IPA）与 DPO

OneRec 引入 迭代偏好对齐 (IPA) 模块，并结合 Direct Preference Optimization (DPO)，模拟用户反馈并优选样本以提升推荐质量。1% 的 DPO 样本即可带来显著推荐提升。

深度阅读 OneRec 技术细节

1. Sparse MoE 提升规模

OneRec 通过稀疏专家机制，在参数量级增大的情况下不显著增加 FLOPs，兼顾规模与效率。

2. 会话级生成结构

采用语义 ID token 化行为序列，decoder 解码一次性生成多个候选，替代逐项候选整合逻辑。

3. IPA + DPO 猎取偏好

设计 reward 模型模拟实际用户点击和观看行为，通过 DPO 迭代优化生成策略，显著提升用户满意度。

实际效果与部署表现

快手平台效果

部署于主 App 和 Lite 版本后：

• 用户观看时长提升 +1.6%

• 每次曝光平均观看时长增长 +6.5%

• Lite 版本提升 +1.24%。

GPU 利用率提升

训练和推理阶段 MFU 分别达 23.7% 与 28.8%，为传统二阶段流水线的数倍。

成本效率显著

运行成本仅为传统流水线的 ~10%，支持高性能部署 。

OneRec 的优势与挑战

优势

• 统一架构简化流水线，降低系统复杂性；

• 上下文连贯性更强，提升候选间逻辑一致；

• 用户偏好对齐优化效果明显；

• 真实部署场景效果突出。

挑战

• 生成准确率依赖高质量 token 表征；

• MoE 结构部署需精细调优；

• DPO 溯源机制需完善 reward 模型。

常见问题（FAQ）

Q1：OneRec 替代传统检索排序么？
A1： OneRec 成功集成两阶段逻辑于统一模型，但其设计仍可与检索器结合，具体由上线场景决定。

Q2：DPO 必须使用 IPA 吗？
A2： DPO 成果关键依赖 IPA reward 模型结合，会话化样本采样流程进一步放大偏好影响。

Q3：可用于长尾冷启动推荐吗？
A3： 会话级生成结合 MoE 和 DPO 提高冷启动和长尾召回能力，在实验中表现良好。

Q4：部署复杂度高吗？
A4： 虽 MoE 增加调优复杂性，但其高 GPU 利用率和成本节省显著；推荐结合流水线替代策略评估。

Q5：OneRec 可否用于非视频推荐？
A5： 架构通用、可复用于电商、内容推荐等场景，但需替换相应 item token 表征和偏好 reward 模型。

对比竞品

实施建议

1. 构建高质量行为 token：使用 semantic ID 分组成推荐编码；

2. MoE 结构优化选专家数量：平衡模型容量与资源成本；

3. 开发通用 session 生成规范：增强输出连贯性；

4. 设计实验奖励机制：构建 proxy reward 以支持 DPO；

5. 逐步替换流水线模块：A/B 测试替换检索或排序阶段，降低上线风险。

展望未来

• 引入图神经与协同信号结合会话生成；

• 多模态 token（文本、行为、图像）丰富推荐语义；

• 通用化架构实现跨平台部署（电商、内容等）；

• 强化在线 learning 机制，实现更快反馈；

• 发布 OneRec API 与生态支持让更多平台受益。

小结

OneRec 凭借其突破性的生成推荐机制，集成检索与排序流程、采用会话级生成与偏好对齐优化，使推荐系统走向更通顺、高效与真实场景适配的方向。通过本文对模型原理、实际效果、实用建议的全面解读，期望能助力更多 AI 工具使用者理解并应用 OneRec，将推荐技术自由地导入自己的项目或研究场景中。