# 快手OneRec：颠覆传统推荐！端到端生成式AI系统引爆观看时长与GMV

- Link: https://paooo.com/aigc-news/14761/
- Published: 2026-06-28T00:42:22+08:00
- Author: Prompt 语宙研究院

⚡ [Prompt](https://paooo.com/ai-image-prompts/) 语宙 AI 导读 · 30 秒核心看点

 * OneRec把传统“预测-排序”改造成端到端序列生成，提升上下文连贯性与兴趣理解。
 * 通过稀疏MoE、多模态分词和DPO偏好对齐，兼顾模型容量、效率与推荐质量。
 * 在线测试带来观看时长提升1.6%，本地生活场景GMV增长21.01%，具备明确业务增益。

> **💡 站外导读：**在信息过载的时代，传统推荐系统常陷入“预测-排序”的级联瓶颈，难以
> 捕捉用户的动态兴趣与上下文连贯性。行业亟需突破性技术来提升用户粘性与商业转化。
> 快手最新发布的OneRec系统，正瞄准这一核心痛点，它将推荐任务重构为端到端的序列生成
> 过程，利用先进的生成式AI架构，直接生成个性化推荐列表，从而更深刻地理解用户意图，
> 驱动平台核心指标全面增长。

## OneRec是什么

OneRec 是快手推出的新型端到端生成式推荐系统。采用编码器-解码器架构，通过稀疏 Mixture-
of-Experts（MoE）技术提升模型容量，保持高效的计算性能。与传统级联推荐系统不同，OneRec
使用会话式生成方法，能生成上下文连贯的推荐结果，通过迭代偏好对齐模块结合直接偏好
优化（DPO），进一步提升推荐质量。在训练过程中，OneRec 将多模态表征量化为 token 序列
输入模型，采用两阶段训练策略：先进行基础的 item 预测任务训练，再通过 DPO 进行偏好
对齐。

阅读目录

 * [OneRec是什么](https://paooo.com/aigc-news/14761/#onerec%e6%98%af%e4%bb%80%e4%b9%88)
 * [OneRec的主要功能](https://paooo.com/aigc-news/14761/#onerec%e7%9a%84%e4%b8%bb%e8%a6%81%e5%8a%9f%e8%83%bd)
 * [OneRec的技术原理](https://paooo.com/aigc-news/14761/#onerec%e7%9a%84%e6%8a%80%e6%9c%af%e5%8e%9f%e7%90%86)
 * [OneRec的项目地址](https://paooo.com/aigc-news/14761/#onerec%e7%9a%84%e9%a1%b9%e7%9b%ae%e5%9c%b0%e5%9d%80)
 * [OneRec的应用场景](https://paooo.com/aigc-news/14761/#onerec%e7%9a%84%e5%ba%94%e7%94%a8%e5%9c%ba%e6%99%af)
       * [📝 站长洞察 (Editor’s Insight)](https://paooo.com/aigc-news/14761/#%f0%9f%93%9d-%e7%ab%99%e9%95%bf%e6%b4%9e%e5%af%9f-editor8217s-insight)

![OneRec](https://paooo.com/wp-content/uploads/2026/05/OneRec-website-1.avif)

## OneRec的主要功能

 * **端到端生成式架构**：OneRec 采用编码器-解码器架构，将推荐问题转化为序列生成任务。
   编码器整合用户的历史行为序列，解码器通过稀疏混合专家（MoE）架构逐步生成用户可能
   感兴趣的视频。
 * **会话式生成方法**：与传统的逐点预测不同，OneRec 提出会话式生成方法，能生成整个
   推荐列表，更好地捕捉上下文信息。
 * **实验验证与效果提升**：OneRec 在快手平台的在线 A/B 测试中实现了 1.6% 的观看时间
   提升，显著优于传统方法。

## OneRec的技术原理

 * **编码器-解码器架构**：neRec 采用 Encoder-Decoder 架构，将推荐问题转化为序列生成
   任务。编码器负责将用户的全生命周期行为序列压缩成兴趣向量，解码器则通过稀疏混合
   专家（MoE）架构逐步生成用户可能感兴趣的视频。能更好地捕捉用户兴趣的变化，并生成
   连贯的推荐列表。
 * **多模态分词器**：OneRec 首创了协同感知的多模态分词方案，融合视频的标题、标签、
   语音转文字、图像识别等多维信息，转化为分层的语义 ID。能更精准地建模用户兴趣。
 * **强化学习偏好对齐**：OneRec 引入了基于奖励机制的偏好对齐方法，通过强化学习增强
   模型效果。模型利用偏好奖励、格式奖励和业务奖励构建综合奖励系统，优化生成结果。
   能使模型更好地感知用户的细粒度偏好，提升推荐的精准度。
 * **性能优化**：OneRec 通过架构重构，将关键算子数量大幅压缩，通过稀疏 MoE 架构扩展
   模型容量，显著提升了计算效率。通过训练和推理优化，实现了更高的模型浮点运算利用
   率（MFU），使得算力效率大幅提升。

## OneRec的项目地址

 * **arXiv技术论文**：https://export.arxiv.org/pdf/2502.18965

## OneRec的应用场景

 * **短视频推荐**：OneRec 在快手的短视频推荐主场景中表现突出，承担了约 25% 的请求（
   QPS）。通过生成式架构和强化学习偏好对齐，OneRec 在用户停留时长、点赞、关注、评论
   等交互指标上均取得了显著提升。
 * **本地生活服务**：OneRec 在快手的本地生活服务场景中也取得了显著成效。AB 对比实验
   表明，推动了交易总额（GMV）增长 21.01%，订单量提升 17.89%，购买用户数增长 18.58%，
   新客获取效率提升了 23.02%。
 * **直播内容匹配**：OneRec 被应用于直播内容匹配，通过动态生成推荐序列，能更好地
   匹配用户的实时兴趣，提升用户在直播场景中的参与度和互动率。
 * **广告投放**：在广告投放领域，OneRec 的生成式架构能根据用户的兴趣和行为动态生成
   广告推荐，提高广告的精准度和转化率。

#### 📝 站长洞察 (Editor’s Insight)

OneRec的发布标志着推荐系统从“判别式”范式向“生成式”范式的战略性跃迁。它不仅仅是一个
工程优化，更是对推荐本质的重新思考：推荐不再是给候选集打分，而是像对话一样为用户“
创造”一个连续的兴趣流。其融合的稀疏MoE、多模态分词和DPO偏好对齐，精准踩中了当前[大模型](https://paooo.com/ai-study/)
落地的三大关键——效率、多模态与价值对齐。快手将其在25%的线上流量中验证，并撬动了本地
生活等核心商业场景的显著增长，这为行业树立了新标杆：生成式AI正在从“玩具”变为重塑
业务逻辑的“引擎”。未来，谁能将生成能力与用户微观意图更深度耦合，谁就能在下一代互
联网竞争中占据制高点。

❓ 常见问题解答（FAQ）

快手OneRec是什么推荐系统？

OneRec是快手推出的端到端生成式推荐系统，采用Encoder-Decoder架构和稀疏MoE，把推荐
任务从传统的候选集打分改为序列生成，并通过DPO做偏好对齐，以提升推荐连贯性和效果。

OneRec为什么能提升观看时长？

它能把用户历史行为、多模态内容信息和上下文一起建模，生成更连贯的推荐列表，而不是
只对单个候选打分。根据文中信息，快手在线A/B测试中观看时长提升了1.6%。

OneRec在哪些业务场景效果最好？

文中提到它在快手短视频推荐主场景承担约25%的请求，在本地生活服务场景中带来GMV增长
21.01%、订单量提升17.89%、购买用户数增长18.58%等结果。

🔬 语宙深潜追问 · 进阶实操拆解

端到端推荐落地，最难的工程点是什么？

最难的是把曝光、点击、停留、转化等多目标统一成可训练序列，并稳定处理长尾样本与反馈
偏差。通常要先做离线重排或局部生成，再逐步接入在线策略，避免一次性全量替换。

DPO 在推荐里怎么避免过拟合偏好？

要把偏好信号限定在高质量、可解释的样本上，并与业务目标做约束对齐。实践中常用分层
采样、时间衰减和安全阈值，防止模型只学到短期点击偏好而牺牲长期留存。

🗳️ 读者观点微投票 · 您的实战立场是？

生成式推荐真能替代传统召回排序吗？

🕸️ 语宙向量知识图谱 · 语义强关联深度内链

 * [RecGPT：淘天百亿参数大模型重塑电商推荐，点击量两位数增长背后的AI引擎](https://paooo.com/aigc-news/14579/)
 * [KuaiFormer – 快手推出的检索框架，基于Transformer](https://paooo.com/aigc-news/25498/)
 * [快手OneSearch框架深度解析：端到端生成式电商搜索革命，订单量提升3.22%的三大技术突破](https://paooo.com/aigc-news/13610/)
 * [Agent Q – MultiOn公司推出的AI智能体，可以自我学习进化](https://paooo.com/aigc-news/27459/)

[🏛️ Prompt 语宙研究院](https://paooo.com/author/paooo-research/) · Prompt 语宙研究院（
paooo.com Research）专注于前沿多模态大模型架构拆解、AI Agent 工作流评测、AIGC 提示
词工程（Prompt Engineering）与全球高增长 AI 生产力工具实测追踪，致力于为中文开发
者与创作者提供一手、可复现的深度技术洞察。

[📄 Markdown 纯净版](https://paooo.com/aigc-news/14761/?format=md)

💡 这篇内容对您有启发吗？

[📡 RSS 订阅](https://paooo.com/feed/)[✨ 提交 AI 工具 / 合作](https://paooo.com/submit-tool/)

**🚀 Prompt 语宙 AI 创作者生态：**探索 2,800+ 全球实用 AI 工具与高精度生图提示词
咒语库

[🧭 语宙 AI 导航 (ai.paooo.com)](https://ai.paooo.com/)[🎨 AI 生图 Prompt 库](https://paooo.com/ai-image-prompts/)
[📚 核心专题导航](https://paooo.com/topics/)[⚡ AIGC 早报生成器](https://paooo.com/mtool/)
