淘宝闪购业务规模快速增长，对搜索推荐系统的效率与精准度提出了更高要求。传统搜推算法在特征工程、用户理解和商品表征上已逐步触及天花板。本次分享聚焦大模型时代下闪购搜推系统的技术演进，包括：

• LLM/VLM 等多模态大模型在 Query Processing（QP）、排序、召回、冷启动等搜推核心环节的落地实践；
• 在算力约束下，如何进行模型 Scaling Up 的工程策略优化及算法迭代；
• 生成式搜推新范式，包括基于 HSTU 的用户序列建模、RQ-VAE 的商品语义量化编码在召回与排序中的探索；
• 面向 AI 搜推场景，搜推核心链路的升级改造。

我们将结合真实业务场景，分享关键技术选型的决策过程、落地中的踩坑经验与效果数据。

演讲提纲

1. 开场：闪购业务背景与搜推挑战
   • 闪购业务特点、传统搜推瓶颈
2. 大模型LLM/VLM 多模态在搜推全链路落地
   • Query 理解与改写
   • 商品理解与表征
   • 召回与排序中的大模型特征注入
   • 用户冷启动
3. 算力 Scaling Up 策略
   • 模型维度的 Scaling
   • 训练与推理优化
   • 算力 ROI 度量 torch 训推迭代
4. 生成式搜推新范式探索
   • HSTU 类在搜推探索落地
   • RQ-VAE 生成式召回
   • G-E生成式重混排落地
5. 面向 AI 搜推的核心链路升级改造
6. 总结与展望

这样的技术在实践过程中有哪些痛点？

1. 搜推传统模型与大模型的对齐；
2. 生成式范式落地中的坑点、工程以及算法之间的协同优化；
3. AI 时代搜索的变化及解法。

演讲亮点

1. 大模型与传统搜推深度结合：精排、召回、多模态训练等；
2. 生成式技术演进与落地：RQ-VAE 等实践、G-E 生成式混排在搜推中的落地；
3. AI 搜推面向千问场景的业务接入及迭代优化。

听众收益
1. 大模型能力在搜推全链路落地的算法与工程范式；
2. 生成式搜推（HSTU / RQ-VAE / G-E）从论文到生产的完整落地参考；
3. 面向 AI 时代，传统搜推与 AI 之间的结合。