小红书精读：OneModel: A Unified Foundation for Platform-Scale Multi-Scenario Ranking

一个模型扛起全场景排序，小红书OneModel的工程魔法

各位算法同学们，你们有没有想过，推荐、广告、商家三个场景的排序模型其实可以合并成一个？小红书这篇OneModel直接上线验证，线上广告CTR涨了8.18%，商家GMV也涨了，而且推理延迟还从270ms降到90ms。这篇不是画饼，是已经跑在生产环境里的真东西。

📄 OneModel: A Unified Foundation for Platform-Scale Multi-Scenario Ranking

🔧 技术创新点：第一，把不同场景的异构行为统一映射成共享事件序列，用场景感知投影和结构上下文编码对齐特征空间，让一套模型吃下混合历史。第二，引入Scenario-aware Information Modulation（SAIM），在FFN里加场景条件门控，既共享大部分参数，又能按业务流做通道级调制，缓解跨场景干扰。第三，优化在线serving，用分层用户表示、用户特征预取、共享user-tower计算和图级推理优化，把长序列模型变成可落地的工业方案。

📊 实验效果：离线广告流上，统一训练的OneModel比GenRank的Ads Click AUC高6.4‰，比单独训练的广告模型高3.0‰。线上A/B测试中，Explore Feed的Engagement提升1.25%，Feed Advertising的广告价值提升3.43%，CTR提升8.18%，Merchant Recommendation的DGMV提升1.1867%，GPM提升2.1585%。更关键的是，模型参数从173M涨到230M，但延迟反而砍掉66.7%，这个工程优化是真的狠。

总结一下，OneModel的价值在于证明了多流共享不是牺牲精度换成本，而是能同时提效和降本。对做多场景推荐或者广告排序的同学来说，这套“共享长序列骨干+场景调制+分层用户表示”的框架值得参考，但落地时要盯紧跨场景负迁移和延迟指标，别只看离线AUC。

原文：AlphaXiv