快手UniRec算法全量上线 推荐系统迎来跨阶段融合时代

很多人没注意到一个反常识的事实：你刷到的每一条短视频，背后其实是四道关卡在接力——召回、粗排、精排、重排。这四道关卡各管一段，算法工程师们几十年来都在琢磨怎么让它们配合默契，但始终有个老大难问题：上游关卡筛掉的内容，恰恰可能是下游关卡最想推的。快手最近全量部署的UniRec算法，就是冲着这个"跨阶段不一致"去的，A/B实验显示它让App使用时长提升了0.616%。别小看这个数字，对亿级DAU的平台来说，0.6%就是一天几千万分钟的停留时间。

推荐系统的"接力赛困境"：每一棒都在内耗

要理解UniRec的价值，得先看懂传统推荐系统的结构。为了在几十毫秒内从几百万条视频里挑出你最爱看的，平台把推荐拆成多个阶段：召回阶段用轻量模型快速捞出一批候选，粗排再筛一轮，精排用最重的模型做精细打分，最后重排做多样性和商业化的权衡。每个阶段的计算预算、特征空间、优化目标都不一样，过去都是各训各的、独立优化。

问题就出在这：粗排阶段为了省算力，用的特征少、模型轻，可能把精排阶段非常看好的视频提前淘汰了——上游的错误下游无法纠正；而下游精排自己调的融合权重，又可能抵消上游好不容易做出的优化。整个流水线的质量天花板，被最弱的那一环卡死。管线质量受限于最弱阶段，而不是全局最优——这是推荐系统领域公开的痛点，也是UniRec要解决的靶心。

UniRec的三板斧：共享、对齐、纠偏

UniRec的全称是"跨阶段多任务融合推荐模型"，快手的工程师在arXiv上公开了完整技术方案，核心有三招。

第一招是共享表示。让粗排和精排两个融合模块部分共享输入embedding，并在同一个计算图里训练，任一阶段的梯度都能通过共享表示传导到另一阶段——两棒选手终于能听见彼此的呼吸了。第二招是偏好对齐。论文设计了一个双轴对齐目标：纵轴把下游精排的偏好信号传导给上游粗排，让粗排的打分和精排"想到一块去"；横轴把几十个分散的成对目标重新组织成双向的偏好证据，让融合分数更有全局观。

第三招最有意思，叫属性分组正则化。工程师们发现，如果放手让端到端优化自由发挥，模型会钻空子——它发现某类高奖励属性的视频（比如美女、萌宠）好推，就会把流量过度集中到这些品类上，牺牲其他重要目标。于是他们给模型加了条规矩：在同一属性组内部计算优势并做归一化，让"整个高奖励组被无脑抬高"不再产生优化收益，逼着模型学会雨露均沾。

0.616%意味着什么：算法军备竞赛进入深水区

快手的UniRec不是孤例。把时间线拉长看，这已经是快手今年第三次放出推荐系统的大招：此前OneRec用端到端生成式方法重塑推荐架构，把计算效率提升10倍、运营成本砍到传统方案的10.6%；UniR2则在直播场景把召回和精排统一进单一模型。加上这次UniRec的跨阶段融合，快手在推荐系统上的技术路线已经清晰：从"多阶段各管各"走向"全链路统一优化"。

对行业来说，这释放了一个明确信号：推荐算法军备竞赛已经进入深水区。当各家在召回精度、排序模型上卷到极致后，增量空间转移到"阶段间的协同优化"和"端到端一致性"上。字节的推荐系统也在做类似的统一化探索，这个方向正在成为头部平台的新角力场。对普通用户而言，最直观的感受会是：刷到的内容更"懂你"了，误伤更少，停留更久。

对内容创作者和运营人的启发

算法升级对内容生产者的影响是间接但深远的。跨阶段融合让"高奖励品类吃光流量"的现象得到抑制，意味着那些靠单一爆款品类起量的账号，红利会被稀释；而内容质量扎实、品类均衡的创作者，反而更容易被系统公平地捞出来。运营人需要关注的另一个信号是：快手的AI能力正在系统化落地，从内容理解到推荐分发再到商业化，全链路都在被AI重写。想跟上这波平台算法变化的节奏，可以在运营动脉（www.yydm.cn）找到各平台的算法解读和运营策略资料，站内精品方案库、报告库每月更新上千份。

小编有话说

0.616%这个数字，放在别的行业不值一提，放在推荐系统里就是数以千万计的DAU时长。算法工程师的世界里没有魔法，全是这种一分一毫抠出来的优化。这给做运营的我们一个很实在的启示：与其追求一招制胜的"爆款方法论"，不如把基本功打磨成系统能力——平台算法奖励的，从来都是那些持续稳定输出价值的人。

常见问题

问：UniRec会让我刷到的内容变少吗？

答：不会。UniRec优化的是推荐流程的一致性，让召回、排序各环节目标对齐，减少误伤。用户端的感受是内容更贴合兴趣，不是内容变少。

问：0.616%的提升大吗？

答：非常大。这是亿级DAU平台全量实验的结果，换算成用户总使用时长是极其可观的增量，而且它验证的是架构级优化方向，长期价值远超单点指标。

问：小平台能借鉴UniRec的思路吗？

答：可以借鉴思路但别照搬。跨阶段融合需要海量数据和算力支撑，中小平台更务实的做法是先做好单阶段优化，再逐步引入跨阶段协同。

参考文献

1. arXiv论文《UniRec: Cross-stage Multi-Task Fusion with Preference Alignment for Cascaded Recommender Systems》（arXiv:2609.11052，快手团队）

2. arXiv论文《OneRec Technical Report》（快手，端到端生成式推荐）

3. arXiv论文《Unifying Generative Recall and Multi-Objective Ranking》（UniR2，2026年7月）

4. 快手平台UniRec全量部署公告与在线A/B实验数据