RecGPT-V3：让推荐系统从“算历史”走向“有记忆的理解”

导语

推荐系统正在从“根据历史点击预测下一次点击”，转向“理解用户为什么会做出选择”。RecGPT-V3 Technical Report 延续了 RecGPT-V1、V2 在淘宝推荐场景中的路线：把大语言模型引入推荐链路，让模型不仅识别行为共现关系，还能围绕用户意图进行推理。与前两代相比，V3 的重点不只是“更会理解”，而是把这种理解做成可持续、可落地、可控成本的工业系统。

核心要点

• 从无状态请求到持续用户记忆：传统在线推荐请求往往需要反复处理用户完整行为历史，既消耗计算，也无法复用上一轮分析。RecGPT-V3 引入 Memory Hub，把长期行为压缩成结构化、可持续更新的用户记忆单元。论文称，这使用户建模计算量降低 55.8%。
• 从自然语言标签到商品空间直连：只用自然语言标签表达用户意图，会在“理解用户”和“找到具体商品”之间形成信息瓶颈。V3 采用混合模态基础模型，同时处理文本标签和 Semantic IDs（SIDs）。前者适合表达开放、复杂的需求，后者用于将意图落到具体商品空间。
• 从显式长推理到潜在意图推理：大模型如果在线输出冗长推理链，会带来延迟和成本压力。Latent Intent Reasoning 将大量显式推理 token 内化为更紧凑的可学习潜在 token，并且在需要时仍可解码为可读解释。报告称，这带来 3.46 倍端到端推理加速，并将输出 token 成本降低 200 倍。
• 线上部署结果：RecGPT-V3 已部署在淘宝首页“猜你喜欢”信息流。大规模 A/B 测试显示，IPV 提升 1.28%，CTR 提升 1.00%，TC 提升 1.97%，GMV 提升 3.97%，同时端到端服务资源消耗下降 52.4%。

意义与影响

RecGPT-V3 的价值在于，它把 LLM 推荐从“能否推理”推进到“如何在工业规模下持续推理”。Memory Hub 对应的是用户长期上下文管理，SIDs 解决的是语言理解与商品召回/排序空间之间的落地问题，潜在推理则回应了在线服务最敏感的成本和时延。

这也反映出推荐系统的新趋势：大模型不会简单替代传统推荐架构，而是作为意图理解、记忆压缩和解释生成的上层智能模块，与商品 ID、行为序列和在线工程体系结合。对于电商、内容流和本地生活等场景，真正的挑战不只是模型能力，而是能否在高并发、低延迟、可解释和商业指标之间取得平衡。

需要注意的是，素材主要来自技术报告与项目介绍，公开信息集中在架构思路和线上指标，尚未展开更多外部复现实验细节。但从已披露结果看，RecGPT-V3 提供了一个重要样本：LLM 推荐系统要进入生产核心链路，记忆、grounding 与推理效率必须同时被解决。

来源：Hugging Face Daily Papers