最近 Netflix TechBlog 分享了一篇挺有意思的文章，介绍了他们的一项新工作，GenPage：一套用生成式模型端到端构建首页的方法。

　　要理解它的新意，得先聊下传统推荐系统是怎么拼首页的。业界的主流做法是一条多阶段流水线，我们同样以 Netflix 举例，可以粗略拆成两步：

　　候选生成：Netflix 的内容库有成千上万个条目，实时给每个用户逐一打分既不现实也太贵。所以第一步是“海选”，用一些相对轻量、召回率优先的模型，从全库里快速筛出几百到几千个“这个用户大概率会感兴趣”的候选，把范围从“全库”缩到“一小撮”。

　　多轮排序：拿到候选池后，再用更重、更精细的模型对这几百个候选逐层打分排序，通常还会分粗排、精排等多轮，先快速砍掉一批，再对剩下的用更复杂的模型精细排列，最后决定谁排在前、谁排在后。

　　而且这套流程在 Netflix 平台内部还要跑两层：一套负责“选哪些板块（行）、怎么排”，另一套负责“每个板块里放哪些内容、怎么排”，行级别和条目级别各有各的候选生成与排序模型。

　　而 GenPage 把这一整套彻底推翻，训练了一个单一的生成式模型（single generative model），像大语言模型根据提示词“写”文章一样，把整张个性化首页，包括有哪些板块、每个板块放哪些内容、板块之间怎么排布，一次性“生成”出来。加权二元分类（WBC）版本已经真上线做了 A/B 实验，在核心参与度指标上取得 0.24% 的统计显著提升（p<0.001），同时把端到端服务延迟降低了 20%。数字虽算不上惊人，但在 Netflix 这个体量上，能同时拿到“指标涨、延迟降”这个组合，已经非常难得。

　　我读完的第一感受是，这可能不只是一次推荐算法的迭代，而是推荐系统和大模型这两条技术路线开始真正融合的一个信号。下面结合原文，聊聊这套东西的思路、几个值得同行关注的工程决策，以及我自己的一些看法。

　　首页，才是流媒体真正的战场

　　对任何一家做内容分发的公司来说，首页都是最贵的一块地。用户打开 App 的头几秒，看到的那几屏内容行，基本决定了他今晚会不会留下、会点开哪一部影视剧、会不会一路刷到底。Netflix 把这件事做到了极致：首页上出现哪些板块、每个板块里排版哪些内容、板块之间又如何从上到下编排，几乎每一处都是针对单个用户实时计算出来的。

　　问题在于，这远不是“排一个榜单”那么简单。首页本质上是一个二维的结构化版面，横向是一个个内容行，纵向是行与行的堆叠，每一行里又装着若干可推荐的条目（entity，可以是剧集、电影、游戏、直播活动等）。更麻烦的是，这些选择彼此牵动：你把某个板块往上提一格，可能就挤掉了另一个板块的曝光；某一部片的点击率，也会受到它上下文里其他内容的影响。

　　正因如此，前面那套多阶段、行/条目分开处理的流水线才显得格外笨重，链路长、要维护的模型多，各阶段的优化目标还常常互相矛盾。每个环节都在最大化自己那一小步的指标，却未必对“整页最优”有利，背后还堆积着大量手工特征工程。我想任何在推荐系统里干过活的人，都熟悉这种“缝合怪”式的复杂性。

　　换一种思路：把首页当成一段“生成”出来的内容

　　那么如何解决以上提到的这些痛点？有没有更简洁的方案？

　　Netflix 研发团队的灵感直接来自大语言模型：既然一个模型可以根据一段“提示词”直接生成一整段回答，那推荐系统能不能也这样干。于是他们训练了一个单一的生成式模型，让它直接回答一个问题：综合我们掌握的关于这位用户、这次请求的全部信息，应该生成一个什么样的首页，才能最大化用户满意度？

　　他们把这套方法称为 GenPage。它的运作方式是：把用户的行为历史、画像属性、当前请求上下文打包成“提示词”，然后像写文章一样自回归地把整张首页“生成”出来，先生成第一个板块、第一个条目，再基于“页面上已经放了什么”去决定下一个放什么，一路推进到整页完成。

　　这里有个关键的差异化。市面上已有的生成式推荐系统（如 TIGER、HSTU、OneRec）大多只生成一个扁平的排序列表。GenPage 把内容行、条目和整体版面一起生成，交付的是一整张成型的首页，而不只是一串排好序的片单。

　　这套设计想达成四个目标，每一个都直指传统推荐栈的痛点：

　　端到端建模。一个 Transformer 从原始信号直接产出整页，替掉一整套多阶段系统。要维护的模型更少，各阶段目标不再打架，大量特征工程也随之消失。

　　用强化学习做整页优化。因为页面是一步步生成的，就可以针对“整页的价值”来优化，从而捕捉行与行、条目与条目之间的相互作用。文中一个例子很能说明问题：把“继续观看”放在首页顶部，能强烈满足用户的即时意图，但也可能让他点一下就走、不再往下浏览。这种“停留力”（stopping power）的权衡，只有在整页层面建模才能抓得住。需要说明的是，这套强化学习后训练目前还停留在离线实验阶段，Netflix 自己也说尚未上线，他们把它视为通往完整愿景的关键路径，而不是已经交付的结果。

　　更好的规模化表现。想提升质量，加数据、加算力、加模型容量即可，不必反复重构系统，这正是大模型范式最诱人的地方。

　　灵活与可扩展。提示回应这套范式天生灵活。未来要接入直播、游戏、播客等新内容类型，要支持二维之外的版面，要做个性化 UI 组件甚至每个条目的个性化封面图，改动都更小。

　　它是怎么落地的：几个值得行业关注的工程决策

　　把这套想法真正塞进 Netflix 的生产环境，绕不开工业级推荐系统的老难题。这里几个技术选择，对同行尤其有参考价值。

　　用“自己的语言”给数据分词。GenPage 没有套用现成的文本分词器，而是为首页数据专门设计了一套 token 体系，每个内容行、每个条目都对应一个 token。好处有两层：

　　效率上，比如“用户 30 天前看了某剧 50 分钟”这条记录，用通用文本分词器要占 16 个 token，他们的方案压缩到 4 个（条目 ID、动作类型、时间分桶、时长分桶），序列更短、推理更快、成本更低。

　　可控性上，token 和产品概念一一对应，想控制模型能生成什么就容易得多，这为后面执行业务规则埋下了伏笔。

　　训练方案照搬大模型套路。GenPage 完全复刻了训练大语言模型（如 ChatGPT）的两步走战略：

　　1、预训练（博览）：喂给它海量历史真实数据，让它先弄明白“一个正常的、高点击的 Netflix 首页长什么样”，掌握首页的“语法”。

　　2、后训练（调教）：教它如何迎合用户口味。这里他们兵分两路：

　　-- 已上线的“简单版”：做局部的“单选题”（加权二元分类），只盯着单个视频预测用户点不点。简单直接，先跑通上线。

　　-- 还在实验室的“进阶版”：做全局的“统筹题”（强化学习），站在整张首页的高度，考虑视频之间的搭配、排版和相互影响。这更难，但才是终极形态。

　　冷启动靠“内容语义”补位。推荐系统最怕“新剧”，因为没人点过，系统不知道推给谁（缺乏交互数据）。 传统做法靠“认脸熟”（ID嵌入），新剧没数据就抓瞎。GenPage 的解法是让新剧带上“详细简历”（内容嵌入）：把剧情简介、演员阵容、类型甚至视频画面等特征打包。这样一来，哪怕新剧零点击，系统也能通过比对“简历”，把它合理地和相似的老剧放在同一个推荐池里。这对上新内容频繁的平台是刚需。

　　用“受约束解码”硬性保证业务规则。生成模型天马行空，但产品有业务规则（比如第一行必须是“继续观看”，喜剧行绝不能混入恐怖片）。怎么防止模型“乱点鸳鸯谱”？ 他们用了“受约束解码”：在模型每次准备吐出一个内容（Token）前，系统会递给它一张“屏蔽单”（掩码），把不符合规矩的选项直接涂黑，模型只能从剩下的“白名单”里挑。这种“给足生成自由度 + 硬性规则兜底”的机制，是把大模型推向生产环境的关键。

　　混合解码压延迟。让模型像人说话一样“一个字一个字往外蹦”（自回归生成）太慢了，用户等不及。 怎么提速？他们发现每一行里，最前面的一两个视频最吸睛，决定了这一行的调性。于是，他们对前几个视频“精雕细琢”（逐个生成，考虑上下文），而对后面用来填充的视频，直接一次性批量并行算完。既保住了核心位置的推荐质量，又大幅砍掉了系统的计算延迟。

　　几个结论，对做推荐的人很有分量

　　第一，真上线了，而且又好又快，但幅度需要理性看待。在针对一套成熟、已被高度优化的多阶段生产系统的线上 A/B 实验中，GenPage（WBC 版本）在核心参与度指标上取得了 0.24% 的统计显著提升，同时把端到端服务延迟降低了 20%。这一点值得注意，业界普遍以为生成式模型会更慢，用一个直接在 token 化输入上运行的 Transformer 替掉多个排序阶段和繁重的特征计算后，整体反而更精简了。而且这 20% 还没榨干优化空间，余量可以回投到更大的容量或更丰富的上下文里。

　　为期 14 天的在线 A/B 测试中每日核心用户参与度指标。图中显示了几个 GenPage 变体（训练数据配置不同）相对于生产环境基线的平均处理效应。阴影区域为 95% 置信区间。所有变体都相对于生产环境带来了具有统计显著性的改进。

　　第二，“喂信息”比“堆参数”更划算。这是全文对行业最有启发的一条，官方原文的定性结论是：在他们当前的阶段，丰富输入给模型的上下文信息，比单纯扩大模型容量带来的提升更大（原文没有给出可独立核实的具体百分比，这里不做数字复述）。对预算有限、纠结要不要上更大模型的团队，这是个实在的提醒，先把数据和特征表示喂饱，再谈扩容量。

　　第三，强化学习训练下，模型在离线实验中自发学会了多样性。他们从没把“多样性”写进强化学习的优化目标里，但训练过程中，首页的多样性（用条目之间的语义距离衡量）却一路上升。这个发现目前还停留在离线阶段，没有经过线上验证，但它说明经强化学习训练后的模型，是在为“整页最优”着想，不只是逐个最大化单条推荐的短视优化。这正是整页优化相对于条目级优化的价值所在。

　　值得一提的是，上线后他们也观察到一些未曾主动优化、却出现的分布变化：被曝光内容的类别结构变了（新片与老片、剧集与电影的比例发生偏移）。这未必是坏事，研发团队推测是 GenPage 个性化得更精准，用户用更少的曝光就找到了想看的内容，即“曝光效率”提升了。但这也暴露出一些从旧系统继承下来的组件（比如奖励系统）还没和新的生成式范式对齐，需要后续持续调校。这种新范式跑通后反过来照出老组件不适配的现象，做过大型系统迁移的人应该都不陌生。

　　还没走完的路，以及它意味着什么

　　作者也坦白，完整愿景还有不少缺口：超长的用户历史目前还得靠手工摘要来压缩，语言、多模态、推理这些大模型式的能力也尚未真正融合进来，强化学习后训练也仍未上线。他们看好的一个方向是“混合分词”，也就是把领域里专用的 token 和通用文本 token 结合起来，既保留结构化的可控性，又继承通用大模型的能力，相当于给大模型引入了一种新的“推荐模态”。

　　往大了说，GenPage 给我们的启示是，大模型生态里的进展正在一点点渗透进推荐系统，两者之间的边界会越来越模糊。过去我们把“推荐”和“语言模型”当成两套东西，现在 Netflix 用一个 Transformer、一套预训练加后训练的配方，就把整张个性化首页端到端地生成了出来，已上线部分在核心指标和延迟上小幅但显著地跑赢了成熟的老系统，更激进的整页强化学习优化则还在路上。

　　对流媒体和更广义的内容分发行业，这至少提出了一个值得认真对待的问题：那套层层叠叠、缝了很多年的推荐流水线，有没有可能被一个“会生成整页”的模型整体替代。

　　Netflix 给出的答案是，至少在方向上，可行，但目前取得的成果还比较克制，离“全面碾压”还有一定的距离。

　　本文来源：【探显家Attention】公众号

　　版权归原作者所有，仅用于分享交流。

责任编辑：赵莹