为什么 LLM 推荐系统将成为 AI 最大的消费级应用 — Devansh Tandon，Meta

📌 One-Sentence Summary

Meta 推荐研究负责人 Devansh Tandon 论证推荐系统遵循与 LLM 相同的幂律扩展，梳理四条范式 S 曲线与双语 LLM 推荐器的语义 ID 配方，并主张因其解码内容指针在结构上远比聊天 token 生成便宜，将成为 AI 最大的消费级应用。

📝 Summary

曾任职 DeepMind 与 YouTube、现领导 Meta 推荐研究的 Devansh Tandon，在 LM Recsys 专场开场提出两点主张：推荐系统像 LLM 一样随规模扩展且仍处曲线早期，以及 LLM 推荐器将成为 AI 最大的消费级应用之一。他描绘 tokens 进、互动出的飞轮——训练、推理、拉动 DAU 与使用时长，再经广告或订阅变现并资助下一轮训练——并以 Meta 证据锚定：HSTU 扩展论文、Instagram Reels 观看时长同比提升 30%，以及互动序列长度与丰富度翻倍。他接着框出行业并行攀爬的四条 S 曲线：传统双塔特征与嵌入系统；HSTU、OneRec 等受 LM 启发的端到端扩展派（当前领先者所在）；TIGER、PLUM 等对推理基座模型的 LLM 原生适配；以及像编程 harness 一样规划、检索、排序并批判的智能体闭环。构建配方是五层蛋糕——将约三分钟的 Reel 从约 10，000 个 token 压缩到约 10 个的语义 ID、基座 LLM、打通英语与推荐 token 的预训练、面向互动与排序的后训练，再到轻量表面微调——从而跨产品面共享算力，并支持可检视的思维链重排。双语理解解锁可操控产品，如 Instagram Your Algorithm、Spotify 提示式歌单、YouTube 自定义信息流与 Ask DoorDash。经济论证收尾处，他对比解码语义 ID 指向创作者内容的 1–10B 级信息流模型，与必须生成每一个 token 的 10–100B 级聊天模型，称信息流每小时互动成本最高可低约 100 倍，因而是结构上更省 token 的消费级 AI 界面。

💡 Main Points

推荐系统遵循类 LLM 的幂律扩展，以及 tokens 进、互动出的飞轮

按 HSTU 路径扩大模型规模、算力与数据，可同时抬升离线质量与线上互动；Meta 将 Instagram 序列长度与丰富度翻倍，Reels 观看时长同比提升 30%，变现再资助下一轮训练闭环。

行业正并行攀爬四条推荐范式 S 曲线

多数系统仍跑传统双塔排序；领先者落在 HSTU、OneRec 等受 LM 启发的端到端扩展派；下一阶是 TIGER、PLUM 等 LLM 原生适配；像编程 harness 一样的规划—检索—排序—批判智能体闭环正在涌现。

LLM 推荐器配方：语义 ID、双语训练，再解码与排序

将内容 tokenize 为稳定压缩的 SID（Reel 约 10 个 token，相对约 10k），预训练基座 LLM 以打通英语与推荐域语言，后训练做互动预测与思维链重排，再按产品面轻量微调以共享算力。

双语模型解锁可操控、可解释的推荐产品

用户可用自然语言与算法对话——Instagram Your Algorithm、Spotify 提示式歌单、YouTube 自定义信息流、Ask DoorDash——从黑盒信息流转向可控、可解释、超越点赞的目标。

LLM 推荐器在结构上比 AI 聊天更省 token

信息流用 1–10B 模型发出指向免费创作者供给的 SID 指针，聊天应用则从 10–100B 模型解码成千上万个 token；信息流每小时互动成本最高可低约 100 倍，因而成为重要的消费级 AI 界面。

💬 Key Quotes

我今天想提出两个大观点：推荐系统像 LLM 一样扩展，而且该领域仍处在这条扩展曲线的很早期；以及 LLM 推荐器将成为 AI 最大的消费级应用之一。

我想引入飞轮的概念：tokens 进，互动出。正是它在驱动这些推荐模型的扩展。

首先，把内容 tokenize，为你的领域创建一种语言。然后适配 LLM，让它同时理解英语与你的领域语言，成为双语模型。

内容信息流可比 AI 聊天应用便宜最多约 100 倍甚至更多，因为它们解码的是指向内容的指针，而不是内容本身。

我认为我们会看到从黑盒推荐算法，转向让用户拥有更多控制、更可交互、更可操控的系统。

📊 Article Meta

AI Screening： 90

Featured： Yes

Source： AI Engineer

Author： AI Engineer

Category： 人工智能

Language： 英文

Read Time： 10 min

Word Count： 2297

Tags：

AI 与智能应用 , 推荐系统 , 大语言模型 (LLM) , 消费与零售 , AI研究前沿

Play Full Video