导读
在济州岛举行的 KDD 2026 大会上，腾讯营销广告算法大赛（TAAC）作为 KDD Cup 官方赛道正式揭晓答案。这场聚焦“推荐系统统一建模与 Scaling Law"的赛事，吸引了全球 52 个国家和地区的近 1.4 万名选手参与。面对工业界长期存在的模型异构痛点，参赛队伍提出了兼具高效果与高效率的统一架构方案，标志着推荐系统迈向“大模型时刻”的关键一步。
推荐系统的架构大一统
本次赛题直指工业推荐系统的核心痛点：过去多年，行业习惯将序列建模（挖掘用户行为兴趣）与特征交互（处理画像、商品属性等）拆分为独立模块。这种分工模式虽支撑了早期业务发展，但随着数据规模膨胀和 GPU 算力的普及，其弊端日益凸显：系统链路复杂、维护成本高，且异构模块导致算力无法充分利用率，造成资源浪费。
受大模型统一 Transformer 架构成功实现 Scaling Law 的启发，行业开始探索推荐系统的架构大一统。即通过一套统一的 Recommendation Block，将序列建模与特征交互融合，期望在规模扩张时实现性能的持续收益。
然而，推荐系统与生成式大模型存在显著差异。广告推荐对延迟极其敏感，需在毫秒级内完成亿万级请求的打分排序，任何额外的算力消耗都会被放大为巨大的成本。因此，本次比赛拒绝“唯指标论”，在追求 AUC（模型预测效果）提升的同时，将推理效率和工程可行性作为硬性约束。
本届 TAAC 升级为 KDD Cup 官方赛道，首次设立学术与工业双赛道，旨在将中国互联网的真实产业难题推向全球，寻求理论与落地的双重突破。
全球高手的解题思路
本届大赛共吸引 5746 支队伍参赛，学术赛道冠军奖金高达 200 万元，创下国内企业技术竞赛单项纪录。
学术赛道：CRAFT 机制与意图传输
学术赛道冠军队伍 lozyyeah 提出了 CRAFT 特征传输机制。该方案构建了一个“意图 Token"作为全局信息传输通路，类似于存放用户兴趣的“背包”。用户画像等非序列特征生成控制信号，从模型浅层引导并维护该意图背包；用户行为序列则作为素材，在每一层网络中受控更新背包内容。最终预测直接基于迭代优化后的意图 Token，避免了传统深层网络中原始行为表征的衰减问题。
其他高分方案也各具特色：有的专注于多时间尺度兴趣的统一框架，有的研究如何在海量信息下提升 Token 效率，还有的针对稀疏样本和冷启动场景优化统一架构的表现。
工业赛道：QueryFormer 与极致效能
工业赛道冠军“日之光面（sunshot）”提交了 QueryFormer 方案。该方案以候选商品 Query Token 为全局交互枢纽，将 FM 式显式高阶特征交叉嵌入统一 Block 内部，无需额外分支即可同时处理超长行为序列与特征交互。
实测数据显示，该方案对比基线 AUC 提升 0.0048，单样本算力消耗降低 18%。对于十亿级流量的广告系统而言，这一效率提升意味着巨大的成本节约。值得一提的是，该团队全程仅使用 DeepSeek 网页版完成代码编写、分布式训练逻辑设计及数十组消融实验，未调用付费 API，展现了极高的研发效能。
创新奖项与行业共识
大赛特设"Unified Block"和"Scaling Law"两大创新奖，鼓励那些虽未登顶榜单但架构思路具有启发性的方案。众多参赛结果共同指向一个结论：推荐系统的大一统，必须是效果与效率的双重统一。只有具备可承载规模扩张的底层架构，才能真正复现大模型的 Scaling 红利。
人才培养体系的 Scaling
除了高额奖金，本次赛事更是腾讯营销人才战略的重要一环。依托「青云计划 + 腾讯广告技术大赛」体系，腾讯将人才搜寻范围从国内扩展至全球，搭建了覆盖人才发现、吸纳、培养的全链路平台。
赛事不仅为技术人才提供展示实力的舞台，更通过后续的技术交流、产业研究与项目实践机会，推动优秀想法落地。这种长效连接机制，旨在让竞技、学术与产业形成良性循环，为下一代技术人提供成长土壤。
比赛虽有胜负，但技术进步源于持续的探索。随着全球高手交出第一轮高质量答卷，推荐系统的“大模型时刻”已愈发清晰。