Netflix 如何构建 GenPage：一个生成个性化主页的单一生成式 AI 模型

Netflix 原有的推荐系统依赖“复杂的多阶段管线，包含独立的候选生成和排序组件”。每个行和行内的每个实体都要重复这一过程，最后还有一个页面布局阶段。GenPage 则采用单步方法，将条目选择、行构建和布局生成统一在一个模型内。

受大语言模型提示-响应范式的启发，Netflix 训练了一个生成模型来直接回答一个问题：“基于我们对这个用户和这次请求的所有了解，应该生成怎样的首页来最大化用户满意度？”

Netflix 工程师在生产中观察到两个关键发现：丰富提示比扩展模型容量影响更大；后训练 RL 带来了额外的、意想不到的收益——增加了首页的多样性和定制化。

具体数据对比：将模型从 1.2 亿参数扩展到 9 亿参数，WBC 损失降低约 1.3%；而累积的上下文丰富化效果约为 6.9%。在多个案例中，单个精心设计的上下文添加带来的改进就超过了整个约 7.5 倍的模型容量缩放。

不过，Netflix 也指出上下文丰富化存在边际递减效应：一旦输入上下文饱和，模型容量缩放很可能成为进一步改进的主要驱动力。他们推测，在其他行业规模的个性化场景中，提示丰富化可能比模型缩放更有效。

GenPage 通过后训练强化学习实现了全页优化，能够考虑行内以及跨行和条目级别的交互。例如，“继续观看”行放在页面顶部可能强烈满足用户的即时意图，但也会减少用户浏览页面的其他部分。

与生成模型通常较慢的普遍假设相反，GenPage 将端到端服务延迟降低了 20%。Netflix 还强调 GenPage 在适应不同内容类型方面更灵活，并且更容易扩展到新的产品体验和布局变体。