小红书精读：Task-Blind No MORE: Multi-Task Information Flow in Unified Ranking Backbones

多任务信息流不再被截断，MORE帮你省30%延迟

各位算法同学们，多任务建模和统一骨干网络难道只能一个在头一个在底吗？MORE论文给出的答案是：把任务信号直接灌进每一层骨干，让任务表征和序列特征一起进化。这篇 CIKM ’26 的工作来自陌陌等团队，实测线上时长+3%，交互+3.6%，深聊+2%，值得各位做工业排名模型的同学细品。

📄 Task-Blind No MORE: Multi-Task Information Flow in Unified Ranking Backbones

🔧 技术创新点一：提出 Anchor Tokens 贯穿骨干网络，共享 Anchor 编码跨任务共性，私有 Anchor 捕获各自任务先验。 🧩 技术创新点二：每个 MORE Block 里，Anchor Tokens 先做任务条件化的序列读取，再加任务边界 mask 做选择性语义混合，最后通过独立分支精炼任务表征，避免任务间干扰。 ⚙️ 技术创新点三：任务信息不再只在浅层塔里做后融合，而是与用户行为和特征逐层协同演化；同时可支持请求级并行打分，模型不改就降约 30% 在线延迟。

📊 离线实验在百万级工业数据上，七个子任务全部取得正向 GAUC 提升，且参数量和 FLOPs 预算与基线相近。 📈 线上 A/B 测试在陌陌上进行，使用时长提升 3%，互动率提升 3.6%，深聊率提升 2%。 ✅ 已部署到生产环境，请求级共享计算让打分延迟降低约 30%，没有牺牲指标。

总结感想：这个思路把多任务从塔里挪到 backbone 内部，确实解决了 task-agnostic 骨干的结构性瓶颈。想落地的话，主要看你们是否有明确的共享/私有任务边界，比如点赞和聊天这类强异质场景会很受益；如果任务语义太接近，可能会增加 mask 调参成本。建议盯紧 GAUC 和延迟双指标，不要光看 AUC。

原文：AlphaXiv