Yandex 推出了 Sona,这是一款生成式人工智能模型,旨在通过单一模型完成从选择相关项目到最终结果排序的整个推荐流程。在为期七天的 Yandex 智能音箱实战实验中,Sona 取代了测试组原有的推荐系统,并将推荐曲目的收听时长提升了 6.3%。实验结果展示了一种构建推荐系统的新方法:用单一模型取代复杂的多阶段推荐系统,同时提升推荐质量。
Sona 是第一个公开记录的推荐系统,它在实际生产环境中证明,单个模型可以取代完整的多阶段推荐级联,而无需手工设计特征,同时还能在用户指标方面带来统计意义上的显著提升。
Sona 的工作原理
在实验中,Sona 取代了原先由数十种算法组成的生产推荐流程,涵盖了从候选生成到预排序和排序等各个阶段。将这些阶段整合到一个模型中,降低了维护和优化多个相互关联的系统的复杂性,并使推荐系统更易于开发和迭代。
Sona 的另一大优势在于无需人工设计特征。传统的推荐系统往往依赖工程师设计和调优的数百个特征来描述用户、内容及其交互方式。而 Sona 则直接从用户交互数据中学习,从而减少了构建和维护这些信号所需的人工工作量。
该模型分析用户的交互历史——包括他们的选择、跳过或返回的内容——并使用学习到的语义ID来表示推荐项目,这些语义ID既包含内容本身的信息,也包含用户与其交互方式的信息。其架构结合了编码器、自回归解码器和排名模块,以便在同一系统中生成推荐并进行排名。
生产结果
Yandex 利用 Alice AI 对智能音箱的音乐推荐系统进行了为期七天的 Sona 模型测试。实验期间,Sona 替换了测试组原有的推荐系统。结果显示,推荐歌曲的收听时长增加了 6.3%,重播请求增加了近 18%,活跃听众数量增加了 4.5%。点赞量也增加了 11.4%,高参与度听众数量增加了 7.4%。活跃听众数量的提升幅度是之前推荐系统更新带来的提升的 2.4 倍,而之前的更新本身也已显著提升了推荐质量。
行业背景
Sona 是推荐技术向更大规模、更统一的模型转变的一部分,这些模型能够执行以前由独立组件处理的任务。快手的 oneRec 用统一的生成模型取代了级联推荐框架,并在实际生产环境中取得了显著成效;而 Pinterest 的 UniPinRec 则将检索和排名功能整合到了一个共享的生产架构中。
这一转变至关重要,因为推荐系统是众多数字产品的基础,涵盖音乐和视频发现、电子商务、社交信息流和广告等领域。推荐质量的提升能够影响用户参与度和留存率,以及转化率等商业指标。
Sona 建立在 Yandex 十余年推荐系统研究的基础上。该公司此前已推出过基于 Transformer 的推荐技术,包括 ARGUS 和 Gryphon。2025 年,Yandex 还开源了Yambda ,这是目前最大的公开推荐系统研究数据集之一,包含近 50 亿次交互,已被快手和 meta 等公司的团队用于研究。字节跳动的研究人员也在他们近期关于统一推荐级联的研究中引用了 Sona。Sona 团队已在 arXiv 上发表了该模型的开发和生产实验结果。