- 博客(1287)
- 收藏
- 关注
RSS订阅原创 WWW’26 Oral | DARA：面向在线推广的小样本预算分配双阶段RL‑LLM框架
DARA 框架通过将预算分配任务拆分为小样本推理和精细化优化两个阶段，结合 RL 微调提升了 LLM 的数值推理能力，在在线推广预算规划中取得了显著效果。这是因为随着策略持续优化，当前策略与固定参考策略之间的分布差距越来越大，KL 正则化项会产生越来越强的"拉回力"，将模型束缚在一个已经过时的基线附近，最终导致推理能力退化——这在预算分配这类需要多步精确数值计算的任务中尤为致命。算法 1 总结了双阶段协同的流程：首先通过小样本推理器生成初始预算，随后在每个周期内根据反馈调整预算，直到满足终止条件。
2026-05-07 18:13:57
322
原创 CVPR‘26 | 从任务统一到模态协同：电商通用多模态表征MOON 2.0
不同任务的数据配比会隐式改变各模态在训练过程中的主导地位，当某一模态占据主导时，模型表征将逐渐偏向该模态的语义分布，换言之，图搜与文搜并未形成真正的协同优化，而是在共享参数空间中竞争有限的表示容量。具体而言，MOON 2.0 通过模态自适应的专家混合建模机制、双重语义对齐机制与图文协同增强三项关键技术设计，首次在电商场景下实现了面向动态模态平衡的多模态表征学习，有效缓解了模态主导偏移与跷跷板效应，为通用电商多模态表征基座的构建提供了新的技术范式。经过多轮迭代，我们对多模态表征的定位有了更深刻的认识。
2026-04-09 18:01:46
525
原创 CVPR‘26 | 从任务统一到模态协同：电商通用多模态表征MOON 2.0
不同任务的数据配比会隐式改变各模态在训练过程中的主导地位，当某一模态占据主导时，模型表征将逐渐偏向该模态的语义分布，换言之，图搜与文搜并未形成真正的协同优化，而是在共享参数空间中竞争有限的表示容量。具体而言，MOON 2.0 通过模态自适应的专家混合建模机制、双重语义对齐机制与图文协同增强三项关键技术设计，首次在电商场景下实现了面向动态模态平衡的多模态表征学习，有效缓解了模态主导偏移与跷跷板效应，为通用电商多模态表征基座的构建提供了新的技术范式。经过多轮迭代，我们对多模态表征的定位有了更深刻的认识。
2026-04-09 18:01:46
301
原创 CVPR‘26 | 从任务统一到模态协同：电商通用多模态表征MOON 2.0
不同任务的数据配比会隐式改变各模态在训练过程中的主导地位，当某一模态占据主导时，模型表征将逐渐偏向该模态的语义分布，换言之，图搜与文搜并未形成真正的协同优化，而是在共享参数空间中竞争有限的表示容量。具体而言，MOON 2.0 通过模态自适应的专家混合建模机制、双重语义对齐机制与图文协同增强三项关键技术设计，首次在电商场景下实现了面向动态模态平衡的多模态表征学习，有效缓解了模态主导偏移与跷跷板效应，为通用电商多模态表征基座的构建提供了新的技术范式。经过多轮迭代，我们对多模态表征的定位有了更深刻的认识。
2026-04-09 18:01:46
567
原创 CVPR‘26 | 从任务统一到模态协同：电商通用多模态表征MOON 2.0
不同任务的数据配比会隐式改变各模态在训练过程中的主导地位，当某一模态占据主导时，模型表征将逐渐偏向该模态的语义分布，换言之，图搜与文搜并未形成真正的协同优化，而是在共享参数空间中竞争有限的表示容量。具体而言，MOON 2.0 通过模态自适应的专家混合建模机制、双重语义对齐机制与图文协同增强三项关键技术设计，首次在电商场景下实现了面向动态模态平衡的多模态表征学习，有效缓解了模态主导偏移与跷跷板效应，为通用电商多模态表征基座的构建提供了新的技术范式。经过多轮迭代，我们对多模态表征的定位有了更深刻的认识。
2026-04-09 18:01:46
630
原创 CVPR‘26 | 从任务统一到模态协同：电商通用多模态表征MOON 2.0
不同任务的数据配比会隐式改变各模态在训练过程中的主导地位，当某一模态占据主导时，模型表征将逐渐偏向该模态的语义分布，换言之，图搜与文搜并未形成真正的协同优化，而是在共享参数空间中竞争有限的表示容量。具体而言，MOON 2.0 通过模态自适应的专家混合建模机制、双重语义对齐机制与图文协同增强三项关键技术设计，首次在电商场景下实现了面向动态模态平衡的多模态表征学习，有效缓解了模态主导偏移与跷跷板效应，为通用电商多模态表征基座的构建提供了新的技术范式。经过多轮迭代，我们对多模态表征的定位有了更深刻的认识。
2026-04-09 18:01:46
574
原创 CVPR‘26 | 从任务统一到模态协同：电商通用多模态表征MOON 2.0
不同任务的数据配比会隐式改变各模态在训练过程中的主导地位，当某一模态占据主导时，模型表征将逐渐偏向该模态的语义分布，换言之，图搜与文搜并未形成真正的协同优化，而是在共享参数空间中竞争有限的表示容量。具体而言，MOON 2.0 通过模态自适应的专家混合建模机制、双重语义对齐机制与图文协同增强三项关键技术设计，首次在电商场景下实现了面向动态模态平衡的多模态表征学习，有效缓解了模态主导偏移与跷跷板效应，为通用电商多模态表征基座的构建提供了新的技术范式。经过多轮迭代，我们对多模态表征的定位有了更深刻的认识。
2026-04-09 18:01:46
518
原创 CVPR‘26 | 从任务统一到模态协同：电商通用多模态表征MOON 2.0
不同任务的数据配比会隐式改变各模态在训练过程中的主导地位，当某一模态占据主导时，模型表征将逐渐偏向该模态的语义分布，换言之，图搜与文搜并未形成真正的协同优化，而是在共享参数空间中竞争有限的表示容量。具体而言，MOON 2.0 通过模态自适应的专家混合建模机制、双重语义对齐机制与图文协同增强三项关键技术设计，首次在电商场景下实现了面向动态模态平衡的多模态表征学习，有效缓解了模态主导偏移与跷跷板效应，为通用电商多模态表征基座的构建提供了新的技术范式。经过多轮迭代，我们对多模态表征的定位有了更深刻的认识。
2026-04-09 18:01:46
608
原创 CVPR‘26 | 从任务统一到模态协同：电商通用多模态表征MOON 2.0
不同任务的数据配比会隐式改变各模态在训练过程中的主导地位，当某一模态占据主导时，模型表征将逐渐偏向该模态的语义分布，换言之，图搜与文搜并未形成真正的协同优化，而是在共享参数空间中竞争有限的表示容量。具体而言，MOON 2.0 通过模态自适应的专家混合建模机制、双重语义对齐机制与图文协同增强三项关键技术设计，首次在电商场景下实现了面向动态模态平衡的多模态表征学习，有效缓解了模态主导偏移与跷跷板效应，为通用电商多模态表征基座的构建提供了新的技术范式。经过多轮迭代，我们对多模态表征的定位有了更深刻的认识。
2026-04-09 18:01:46
298
原创 CVPR‘26 | 从任务统一到模态协同：电商通用多模态表征MOON 2.0
不同任务的数据配比会隐式改变各模态在训练过程中的主导地位，当某一模态占据主导时，模型表征将逐渐偏向该模态的语义分布，换言之，图搜与文搜并未形成真正的协同优化，而是在共享参数空间中竞争有限的表示容量。具体而言，MOON 2.0 通过模态自适应的专家混合建模机制、双重语义对齐机制与图文协同增强三项关键技术设计，首次在电商场景下实现了面向动态模态平衡的多模态表征学习，有效缓解了模态主导偏移与跷跷板效应，为通用电商多模态表征基座的构建提供了新的技术范式。经过多轮迭代，我们对多模态表征的定位有了更深刻的认识。
2026-04-09 18:01:46
375
原创 CVPR‘26 | 从任务统一到模态协同：电商通用多模态表征MOON 2.0
不同任务的数据配比会隐式改变各模态在训练过程中的主导地位，当某一模态占据主导时，模型表征将逐渐偏向该模态的语义分布，换言之，图搜与文搜并未形成真正的协同优化，而是在共享参数空间中竞争有限的表示容量。具体而言，MOON 2.0 通过模态自适应的专家混合建模机制、双重语义对齐机制与图文协同增强三项关键技术设计，首次在电商场景下实现了面向动态模态平衡的多模态表征学习，有效缓解了模态主导偏移与跷跷板效应，为通用电商多模态表征基座的构建提供了新的技术范式。经过多轮迭代，我们对多模态表征的定位有了更深刻的认识。
2026-04-09 18:01:46
248
原创 CVPR‘26 | 从任务统一到模态协同：电商通用多模态表征MOON 2.0
不同任务的数据配比会隐式改变各模态在训练过程中的主导地位，当某一模态占据主导时，模型表征将逐渐偏向该模态的语义分布，换言之，图搜与文搜并未形成真正的协同优化，而是在共享参数空间中竞争有限的表示容量。具体而言，MOON 2.0 通过模态自适应的专家混合建模机制、双重语义对齐机制与图文协同增强三项关键技术设计，首次在电商场景下实现了面向动态模态平衡的多模态表征学习，有效缓解了模态主导偏移与跷跷板效应，为通用电商多模态表征基座的构建提供了新的技术范式。经过多轮迭代，我们对多模态表征的定位有了更深刻的认识。
2026-04-09 18:01:46
358
原创 CVPR‘26 | 从任务统一到模态协同：电商通用多模态表征MOON 2.0
不同任务的数据配比会隐式改变各模态在训练过程中的主导地位，当某一模态占据主导时，模型表征将逐渐偏向该模态的语义分布，换言之，图搜与文搜并未形成真正的协同优化，而是在共享参数空间中竞争有限的表示容量。具体而言，MOON 2.0 通过模态自适应的专家混合建模机制、双重语义对齐机制与图文协同增强三项关键技术设计，首次在电商场景下实现了面向动态模态平衡的多模态表征学习，有效缓解了模态主导偏移与跷跷板效应，为通用电商多模态表征基座的构建提供了新的技术范式。经过多轮迭代，我们对多模态表征的定位有了更深刻的认识。
2026-04-09 18:01:46
497
原创 CVPR‘26 | 从任务统一到模态协同：电商通用多模态表征MOON 2.0
不同任务的数据配比会隐式改变各模态在训练过程中的主导地位，当某一模态占据主导时，模型表征将逐渐偏向该模态的语义分布，换言之，图搜与文搜并未形成真正的协同优化，而是在共享参数空间中竞争有限的表示容量。具体而言，MOON 2.0 通过模态自适应的专家混合建模机制、双重语义对齐机制与图文协同增强三项关键技术设计，首次在电商场景下实现了面向动态模态平衡的多模态表征学习，有效缓解了模态主导偏移与跷跷板效应，为通用电商多模态表征基座的构建提供了新的技术范式。经过多轮迭代，我们对多模态表征的定位有了更深刻的认识。
2026-04-09 18:01:46
277
原创 CVPR‘26 | 从任务统一到模态协同：电商通用多模态表征MOON 2.0
在电商搜索场景中，用户的一次搜索往往同时触及商品的多个模态维度。以搜索"小香风外套"为例，系统不仅需要从商品主图中识别 "编织纹理" 与 "版型设计" 等关键元素，还需从商品文本中解析"羊毛"、"短款"、"春季新款"等关键属性，更需要综合判断图像与文本所描述的是否为同一件商品。这一过程的背后，折射出不同模态在信息表达上的天然互补性：图像直观呈现形态、颜色与设计元素，文本则更擅长承载品牌、材质、功能及适用场景等结构化语义，任何单一模态都仅能覆盖商品信息的部分维度，难以独立支撑精准的商品理解与匹配。然而真正加剧
2026-04-09 18:01:46
498
原创 CVPR‘26 | 从任务统一到模态协同：电商通用多模态表征MOON 2.0
不同任务的数据配比会隐式改变各模态在训练过程中的主导地位，当某一模态占据主导时，模型表征将逐渐偏向该模态的语义分布，换言之，图搜与文搜并未形成真正的协同优化，而是在共享参数空间中竞争有限的表示容量。具体而言，MOON 2.0 通过模态自适应的专家混合建模机制、双重语义对齐机制与图文协同增强三项关键技术设计，首次在电商场景下实现了面向动态模态平衡的多模态表征学习，有效缓解了模态主导偏移与跷跷板效应，为通用电商多模态表征基座的构建提供了新的技术范式。经过多轮迭代，我们对多模态表征的定位有了更深刻的认识。
2026-04-09 18:01:46
262
原创 CVPR‘26 | 从任务统一到模态协同：电商通用多模态表征MOON 2.0
不同任务的数据配比会隐式改变各模态在训练过程中的主导地位，当某一模态占据主导时，模型表征将逐渐偏向该模态的语义分布，换言之，图搜与文搜并未形成真正的协同优化，而是在共享参数空间中竞争有限的表示容量。具体而言，MOON 2.0 通过模态自适应的专家混合建模机制、双重语义对齐机制与图文协同增强三项关键技术设计，首次在电商场景下实现了面向动态模态平衡的多模态表征学习，有效缓解了模态主导偏移与跷跷板效应，为通用电商多模态表征基座的构建提供了新的技术范式。经过多轮迭代，我们对多模态表征的定位有了更深刻的认识。
2026-04-09 18:01:46
254
原创 CVPR‘26 | 从任务统一到模态协同：电商通用多模态表征MOON 2.0
不同任务的数据配比会隐式改变各模态在训练过程中的主导地位，当某一模态占据主导时，模型表征将逐渐偏向该模态的语义分布，换言之，图搜与文搜并未形成真正的协同优化，而是在共享参数空间中竞争有限的表示容量。具体而言，MOON 2.0 通过模态自适应的专家混合建模机制、双重语义对齐机制与图文协同增强三项关键技术设计，首次在电商场景下实现了面向动态模态平衡的多模态表征学习，有效缓解了模态主导偏移与跷跷板效应，为通用电商多模态表征基座的构建提供了新的技术范式。经过多轮迭代，我们对多模态表征的定位有了更深刻的认识。
2026-04-09 18:01:46
518
原创 CVPR‘26 | 从任务统一到模态协同：电商通用多模态表征MOON 2.0
不同任务的数据配比会隐式改变各模态在训练过程中的主导地位，当某一模态占据主导时，模型表征将逐渐偏向该模态的语义分布，换言之，图搜与文搜并未形成真正的协同优化，而是在共享参数空间中竞争有限的表示容量。具体而言，MOON 2.0 通过模态自适应的专家混合建模机制、双重语义对齐机制与图文协同增强三项关键技术设计，首次在电商场景下实现了面向动态模态平衡的多模态表征学习，有效缓解了模态主导偏移与跷跷板效应，为通用电商多模态表征基座的构建提供了新的技术范式。经过多轮迭代，我们对多模态表征的定位有了更深刻的认识。
2026-04-09 18:01:46
240
原创 CVPR‘26 | 从任务统一到模态协同：电商通用多模态表征MOON 2.0
不同任务的数据配比会隐式改变各模态在训练过程中的主导地位，当某一模态占据主导时，模型表征将逐渐偏向该模态的语义分布，换言之，图搜与文搜并未形成真正的协同优化，而是在共享参数空间中竞争有限的表示容量。具体而言，MOON 2.0 通过模态自适应的专家混合建模机制、双重语义对齐机制与图文协同增强三项关键技术设计，首次在电商场景下实现了面向动态模态平衡的多模态表征学习，有效缓解了模态主导偏移与跷跷板效应，为通用电商多模态表征基座的构建提供了新的技术范式。经过多轮迭代，我们对多模态表征的定位有了更深刻的认识。
2026-04-09 18:01:46
230
原创 CVPR‘26 | 从任务统一到模态协同：电商通用多模态表征MOON 2.0
不同任务的数据配比会隐式改变各模态在训练过程中的主导地位，当某一模态占据主导时，模型表征将逐渐偏向该模态的语义分布，换言之，图搜与文搜并未形成真正的协同优化，而是在共享参数空间中竞争有限的表示容量。具体而言，MOON 2.0 通过模态自适应的专家混合建模机制、双重语义对齐机制与图文协同增强三项关键技术设计，首次在电商场景下实现了面向动态模态平衡的多模态表征学习，有效缓解了模态主导偏移与跷跷板效应，为通用电商多模态表征基座的构建提供了新的技术范式。经过多轮迭代，我们对多模态表征的定位有了更深刻的认识。
2026-04-09 18:01:46
333
原创 CVPR‘26 | 从任务统一到模态协同：电商通用多模态表征MOON 2.0
不同任务的数据配比会隐式改变各模态在训练过程中的主导地位，当某一模态占据主导时，模型表征将逐渐偏向该模态的语义分布，换言之，图搜与文搜并未形成真正的协同优化，而是在共享参数空间中竞争有限的表示容量。具体而言，MOON 2.0 通过模态自适应的专家混合建模机制、双重语义对齐机制与图文协同增强三项关键技术设计，首次在电商场景下实现了面向动态模态平衡的多模态表征学习，有效缓解了模态主导偏移与跷跷板效应，为通用电商多模态表征基座的构建提供了新的技术范式。经过多轮迭代，我们对多模态表征的定位有了更深刻的认识。
2026-04-09 18:01:46
248
原创 CVPR‘26 | 从任务统一到模态协同：电商通用多模态表征MOON 2.0
不同任务的数据配比会隐式改变各模态在训练过程中的主导地位，当某一模态占据主导时，模型表征将逐渐偏向该模态的语义分布，换言之，图搜与文搜并未形成真正的协同优化，而是在共享参数空间中竞争有限的表示容量。具体而言，MOON 2.0 通过模态自适应的专家混合建模机制、双重语义对齐机制与图文协同增强三项关键技术设计，首次在电商场景下实现了面向动态模态平衡的多模态表征学习，有效缓解了模态主导偏移与跷跷板效应，为通用电商多模态表征基座的构建提供了新的技术范式。经过多轮迭代，我们对多模态表征的定位有了更深刻的认识。
2026-04-09 18:01:46
222
原创 CVPR‘26 | 从任务统一到模态协同：电商通用多模态表征MOON 2.0
不同任务的数据配比会隐式改变各模态在训练过程中的主导地位，当某一模态占据主导时，模型表征将逐渐偏向该模态的语义分布，换言之，图搜与文搜并未形成真正的协同优化，而是在共享参数空间中竞争有限的表示容量。具体而言，MOON 2.0 通过模态自适应的专家混合建模机制、双重语义对齐机制与图文协同增强三项关键技术设计，首次在电商场景下实现了面向动态模态平衡的多模态表征学习，有效缓解了模态主导偏移与跷跷板效应，为通用电商多模态表征基座的构建提供了新的技术范式。经过多轮迭代，我们对多模态表征的定位有了更深刻的认识。
2026-04-09 18:01:46
221
原创 CVPR‘26 | 从任务统一到模态协同：电商通用多模态表征MOON 2.0
不同任务的数据配比会隐式改变各模态在训练过程中的主导地位，当某一模态占据主导时，模型表征将逐渐偏向该模态的语义分布，换言之，图搜与文搜并未形成真正的协同优化，而是在共享参数空间中竞争有限的表示容量。具体而言，MOON 2.0 通过模态自适应的专家混合建模机制、双重语义对齐机制与图文协同增强三项关键技术设计，首次在电商场景下实现了面向动态模态平衡的多模态表征学习，有效缓解了模态主导偏移与跷跷板效应，为通用电商多模态表征基座的构建提供了新的技术范式。经过多轮迭代，我们对多模态表征的定位有了更深刻的认识。
2026-04-09 18:01:46
308
原创 CVPR‘26 | 从任务统一到模态协同：电商通用多模态表征MOON 2.0
不同任务的数据配比会隐式改变各模态在训练过程中的主导地位，当某一模态占据主导时，模型表征将逐渐偏向该模态的语义分布，换言之，图搜与文搜并未形成真正的协同优化，而是在共享参数空间中竞争有限的表示容量。具体而言，MOON 2.0 通过模态自适应的专家混合建模机制、双重语义对齐机制与图文协同增强三项关键技术设计，首次在电商场景下实现了面向动态模态平衡的多模态表征学习，有效缓解了模态主导偏移与跷跷板效应，为通用电商多模态表征基座的构建提供了新的技术范式。经过多轮迭代，我们对多模态表征的定位有了更深刻的认识。
2026-04-09 18:01:46
258
原创 CVPR‘26 | 从任务统一到模态协同：电商通用多模态表征MOON 2.0
不同任务的数据配比会隐式改变各模态在训练过程中的主导地位，当某一模态占据主导时，模型表征将逐渐偏向该模态的语义分布，换言之，图搜与文搜并未形成真正的协同优化，而是在共享参数空间中竞争有限的表示容量。具体而言，MOON 2.0 通过模态自适应的专家混合建模机制、双重语义对齐机制与图文协同增强三项关键技术设计，首次在电商场景下实现了面向动态模态平衡的多模态表征学习，有效缓解了模态主导偏移与跷跷板效应，为通用电商多模态表征基座的构建提供了新的技术范式。经过多轮迭代，我们对多模态表征的定位有了更深刻的认识。
2026-04-09 18:01:46
299
原创 CVPR‘26 | 从任务统一到模态协同：电商通用多模态表征MOON 2.0
不同任务的数据配比会隐式改变各模态在训练过程中的主导地位，当某一模态占据主导时，模型表征将逐渐偏向该模态的语义分布，换言之，图搜与文搜并未形成真正的协同优化，而是在共享参数空间中竞争有限的表示容量。具体而言，MOON 2.0 通过模态自适应的专家混合建模机制、双重语义对齐机制与图文协同增强三项关键技术设计，首次在电商场景下实现了面向动态模态平衡的多模态表征学习，有效缓解了模态主导偏移与跷跷板效应，为通用电商多模态表征基座的构建提供了新的技术范式。经过多轮迭代，我们对多模态表征的定位有了更深刻的认识。
2026-04-09 18:01:46
353
原创 CVPR‘26 | 从任务统一到模态协同：电商通用多模态表征MOON 2.0
不同任务的数据配比会隐式改变各模态在训练过程中的主导地位，当某一模态占据主导时，模型表征将逐渐偏向该模态的语义分布，换言之，图搜与文搜并未形成真正的协同优化，而是在共享参数空间中竞争有限的表示容量。具体而言，MOON 2.0 通过模态自适应的专家混合建模机制、双重语义对齐机制与图文协同增强三项关键技术设计，首次在电商场景下实现了面向动态模态平衡的多模态表征学习，有效缓解了模态主导偏移与跷跷板效应，为通用电商多模态表征基座的构建提供了新的技术范式。经过多轮迭代，我们对多模态表征的定位有了更深刻的认识。
2026-04-09 18:01:46
293
原创 CVPR‘26 | 从任务统一到模态协同：电商通用多模态表征MOON 2.0
不同任务的数据配比会隐式改变各模态在训练过程中的主导地位，当某一模态占据主导时，模型表征将逐渐偏向该模态的语义分布，换言之，图搜与文搜并未形成真正的协同优化，而是在共享参数空间中竞争有限的表示容量。具体而言，MOON 2.0 通过模态自适应的专家混合建模机制、双重语义对齐机制与图文协同增强三项关键技术设计，首次在电商场景下实现了面向动态模态平衡的多模态表征学习，有效缓解了模态主导偏移与跷跷板效应，为通用电商多模态表征基座的构建提供了新的技术范式。经过多轮迭代，我们对多模态表征的定位有了更深刻的认识。
2026-04-09 18:01:46
508
原创 CVPR‘26 | 从任务统一到模态协同：电商通用多模态表征MOON 2.0
不同任务的数据配比会隐式改变各模态在训练过程中的主导地位，当某一模态占据主导时，模型表征将逐渐偏向该模态的语义分布，换言之，图搜与文搜并未形成真正的协同优化，而是在共享参数空间中竞争有限的表示容量。具体而言，MOON 2.0 通过模态自适应的专家混合建模机制、双重语义对齐机制与图文协同增强三项关键技术设计，首次在电商场景下实现了面向动态模态平衡的多模态表征学习，有效缓解了模态主导偏移与跷跷板效应，为通用电商多模态表征基座的构建提供了新的技术范式。经过多轮迭代，我们对多模态表征的定位有了更深刻的认识。
2026-04-09 18:01:46
219
原创 CVPR‘26 | 从任务统一到模态协同：电商通用多模态表征MOON 2.0
不同任务的数据配比会隐式改变各模态在训练过程中的主导地位，当某一模态占据主导时，模型表征将逐渐偏向该模态的语义分布，换言之，图搜与文搜并未形成真正的协同优化，而是在共享参数空间中竞争有限的表示容量。具体而言，MOON 2.0 通过模态自适应的专家混合建模机制、双重语义对齐机制与图文协同增强三项关键技术设计，首次在电商场景下实现了面向动态模态平衡的多模态表征学习，有效缓解了模态主导偏移与跷跷板效应，为通用电商多模态表征基座的构建提供了新的技术范式。经过多轮迭代，我们对多模态表征的定位有了更深刻的认识。
2026-04-09 18:01:46
290
原创 CVPR‘26 | 从任务统一到模态协同：电商通用多模态表征MOON 2.0
不同任务的数据配比会隐式改变各模态在训练过程中的主导地位，当某一模态占据主导时，模型表征将逐渐偏向该模态的语义分布，换言之，图搜与文搜并未形成真正的协同优化，而是在共享参数空间中竞争有限的表示容量。具体而言，MOON 2.0 通过模态自适应的专家混合建模机制、双重语义对齐机制与图文协同增强三项关键技术设计，首次在电商场景下实现了面向动态模态平衡的多模态表征学习，有效缓解了模态主导偏移与跷跷板效应，为通用电商多模态表征基座的构建提供了新的技术范式。经过多轮迭代，我们对多模态表征的定位有了更深刻的认识。
2026-04-09 18:01:46
488
原创 CVPR‘26 | 从任务统一到模态协同：电商通用多模态表征MOON 2.0
不同任务的数据配比会隐式改变各模态在训练过程中的主导地位，当某一模态占据主导时，模型表征将逐渐偏向该模态的语义分布，换言之，图搜与文搜并未形成真正的协同优化，而是在共享参数空间中竞争有限的表示容量。具体而言，MOON 2.0 通过模态自适应的专家混合建模机制、双重语义对齐机制与图文协同增强三项关键技术设计，首次在电商场景下实现了面向动态模态平衡的多模态表征学习，有效缓解了模态主导偏移与跷跷板效应，为通用电商多模态表征基座的构建提供了新的技术范式。经过多轮迭代，我们对多模态表征的定位有了更深刻的认识。
2026-04-09 18:01:46
275
原创 面向Skills编程：用领域知识工程驱动 Code Agent
团队也使用 SDD 从零AI Coding编写了一个 4000+ 行的业务项目，效果不错——从 0 到 1 的项目，没有存量代码的历史包袱，spec 可以从头写起，不存在与现有代码脱节的问题。过时的知识比没有知识更危险——Code Agent 会带着错误的确定性去执行，并快速复制。当 Code Agent 为了实现需求而读取 Skill 知识文件，随后又查看实际代码时，如果发现知识描述与代码现状不一致，Agent 会在输出实现方案的同时，额外生成一份校验报告，标注不一致的严重程度、具体差异和修正建议。
2026-04-02 18:07:43
561
原创 WSDM’26｜阿里妈妈直通车提出搜推广系统通用用户大模型LUM
支持基于 GPU 的 HNSW 等向量检索能力，具备多卡协同存储、检索、D2D 访问和 INT8 量化加速能力，实现向量召回与 LLM 推理的一体化闭环，减少 PCIe 传输和数据拷贝开销，进一步提升搜推广场景下的检索效率与在线推理性能。构建的——召回有召回的模型，预估有预估的模型，各自为战。反观搜推广预估模型，则走在一条不同的发展轨迹上。从FM/FFM的显式特征交叉，到DIN/DIEN的序列注意力建模，再到DeepFM/DCN的高阶交互，每一次突破都依赖针对特定信号设计的功能模块。
2026-03-26 18:00:59
395
原创 AAAI’26 Oral｜Agent基于用户长期行为的个性化偏好理解的评估和优化
相比之下，PAL-Set是唯一同时包含行为日志与对话记录的用户-智能体交互数据集，每位用户平均28.9个会话、400.9轮对话，且所有交互均围绕同一用户的一致人设生成，更贴近真实的长期个性化交互场景。在这一蓬勃发展的浪潮中，Mem-PAL作为其中一种的一朵浪花，在基于长期行为的偏好对齐上，抛砖引玉。区别于传统的问答bot，Agent需要基于客户的当前状态、历史行为等记忆深度理解客户的个性化偏好，从而解决客户和投手的个性化营销优化问题，在此背景下，2024年末，AI小万算法同学在此方向展开探索。
2026-03-19 18:05:49
303
原创 WWW‘26 | 克服多重延迟：阿里妈妈展示推广提出级联延迟反馈建模新框架
通过CVR与RFR对用户进行分组，统计转化及退款的延迟反馈时间均值与方差，结果如图所示，（1）左图：高转化用户的支付延迟更短且方差更小，表明高转化用户具有更强的购买意图（2）右图：相较于低退款用户，高退款用户的退款行为平均延迟更短且方差更小。如下图左所示，GMV标签的均值在天内变化显著，分别在午夜、早晨与晚间达到峰值，说明了在线流式训练的必要性；具体来说，模型通过先修正“点击 -> 转化”阶段的偏差，再修正“转化 -> 退款”阶段的延迟，通过两步走的策略确保在流式训练中获得渐进无偏的NetCVR预估。
2026-03-12 18:16:05
318
原创 WWW‘26 | 克服多重延迟：阿里妈妈展示推广提出级联延迟反馈建模新框架
通过CVR与RFR对用户进行分组，统计转化及退款的延迟反馈时间均值与方差，结果如图所示，（1）左图：高转化用户的支付延迟更短且方差更小，表明高转化用户具有更强的购买意图（2）右图：相较于低退款用户，高退款用户的退款行为平均延迟更短且方差更小。如下图左所示，GMV标签的均值在天内变化显著，分别在午夜、早晨与晚间达到峰值，说明了在线流式训练的必要性；具体来说，模型通过先修正“点击 -> 转化”阶段的偏差，再修正“转化 -> 退款”阶段的延迟，通过两步走的策略确保在流式训练中获得渐进无偏的NetCVR预估。
2026-03-12 18:16:05
537
原创 WWW‘26 | 克服多重延迟：阿里妈妈展示推广提出级联延迟反馈建模新框架
通过CVR与RFR对用户进行分组，统计转化及退款的延迟反馈时间均值与方差，结果如图所示，（1）左图：高转化用户的支付延迟更短且方差更小，表明高转化用户具有更强的购买意图（2）右图：相较于低退款用户，高退款用户的退款行为平均延迟更短且方差更小。如下图左所示，GMV标签的均值在天内变化显著，分别在午夜、早晨与晚间达到峰值，说明了在线流式训练的必要性；具体来说，模型通过先修正“点击 -> 转化”阶段的偏差，再修正“转化 -> 退款”阶段的延迟，通过两步走的策略确保在流式训练中获得渐进无偏的NetCVR预估。
2026-03-12 18:16:05
322
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人