在传统链路中，搜索与推荐链路长期依赖多个垂域独立任务。本次演讲将系统介绍我们如何以大模型为核心，重构统一建模范式：提出面向垂域的 LLM/VLM 重构方案，从重塑任务建模范式、到多任务混合训练设计、高效 Post-Training 强化学习框架，以及分享利用 LLM/VLM 自动生成高质量多模态与文本训练数据的实践方法。通过离线指标与线上收益双重验证，从“各自为战”到“统一智能”的范式升级在垂域AI中的应用价值。最后，突破大模型“高成本、难落地”的瓶颈，形成一套轻量化、可复用的行业落地范式。
 

演讲提纲

1.  AI改变建模范式：从孤立优化到统一协同
   • 过去，搜推链路中和商品理解自然存在多个NLP子任务，各自独立建模，存在优化方向上的gap
   • 现在，利用LLM的理解和推理能力，实现知识在任务间的迁移与互补
2. 大模型重塑垂域任务：从拼接组件到原生重构
   • 搜推领域传统NLP任务的llm化重构
   • 商品理解过程NLP任务的llm化重构
3. 多场景下的数据生成
   • 多种垂域任务的训练数据构造方案
   • 多模态训练数据生成方案
   • 数据飞轮迭代优化数据质量
4. 垂域多任务LLM/VLM训练
   • 垂域多模态大模型训练方案：知识注入，高效适配应用场景
   • Post-Training强化学习框架(DPO+PPO+RewardModel)：提升任务表现
   • 淘宝闪购特色餐零融合训练
5. 可复用方法论总结
   • 统一建模范式
   • 数据飞轮机制
   • 轻量高效适配

这样的技术在实践过程中有哪些痛点？

1. 数据生成质量与成本的平衡：LLM生成样本虽缓解标注压力，但必然引入噪声，需通过多轮或多模型校验，设置置信度过滤机制。
2. 统一模型的精度妥协：在多任务混合训练过程中，整体表现提升的同时可能存在部分任务表现不佳，可通过特异性任务微调继续提升。
3. 强化学习训练稳定性：多阶段的强化学习对各阶段策略模型的超参数敏感，造成训练效果偏差，需进行严格消融实验验证更优配置。

演讲亮点：

1. 搜索/推荐/商品理解涉及的多个任务，面向AI大模型重新建模、应用方式分享。
2. 提供真实业务训练数据的高质高效生成方案。
3. 提供轻量垂域大模型(LLM/VLM)多任务混合训练方案，全链路垂域落地实践经验分享。

听众收益：

1. 掌握垂域大模型“轻量化落地”方法：通过Post-Training框架在有限算力下实现性能跃升，避免盲目堆资源。
2. 获得多任务融合的架构设计实战经验：解决多业务线模型碎片化痛点。
3. 构建可持续数据飞轮的闭环思维：从LLM生成训练数据到人工反馈迭代，突破冷启动与数据瓶颈。