RecGPT-V3技术报告

阿里发布RecGPT-V3，一种状态化混合模态推荐系统，部署在淘宝“猜你喜欢”Feed。它通过记忆中心维护用户结构化记忆，将用户建模计算降低55.8%；混合模态基座模型联合推理文本标签和语义ID，突破信息瓶颈；潜在意图推理将推理路径压缩为可解码的潜令牌，输出token成本降低200倍。

从基于历史行为匹配的推荐转向基于意图推理，并通过状态化记忆和混合模态（文本+语义ID）克服了LLM推荐系统中的无状态计算、标签-物品信息瓶颈及延迟过高等关键问题，是推荐系统架构的重要演进。

记忆中心将用户长程行为蒸馏为结构化、持续更新的单元，避免全量历史重复计算；混合模态基座模型让LLM同时处理文本标签和语义ID，实现高带宽物品空间映射；潜在意图推理将冗长的链式推理内化为可学习的潜令牌，仍可解码为可读解释。

用户建模计算量减少55.8%，输出token开销降低200倍，显著降低推理延迟和计算成本；部署于核心推荐场景后，用户体验和商业指标持续提升，同类产品可借鉴其架构优化推荐系统的效率与效果。

• 借鉴记忆中心思路，构建用户行为压缩模块以降低推荐系统计算成本
• 采用混合模态（文本+语义ID）联合推理，提升电商场景中长尾物品的推荐命中率
• 将潜在意图推理应用于对话推荐或解释型推荐，在保持可解释性的同时降低推理开销
• 为其他推荐场景（如短视频、新闻）开发类似的状态化LLM推荐方案

• RecGPT-V3相较于强化学习等非LLM推荐方法的具体离线/在线增益幅度未披露
• 训练RecGPT-V3所需的计算资源和数据规模未说明
• 语义ID（SID）的生成方法与跨域泛化能力未详细展开
• 该技术在淘宝全量上线后的绝对指标（如CTR、GMV提升）未给出