AdNanny团队 投稿 量子位 | 公众号 QbitAI 微软用一个671B的"推理中枢"，把广告系统的脏活累活都管了，性能还全面碾压一众前辈。 在工业级广告推荐系统中，普遍正面临一个吊诡的现状：在通用大语言模型（LLM）的推理能力已经登峰造极的同时，为了追求毫秒级的 响应，通常无法直接把LLM用到线上而是在离线端堆积了成百上千个"小模型"——有的管相关性标注，有的管用户画像，等等。 范式转移：从"模型森林"到"智能中枢化" 在现代广告推荐技术栈中，依赖大量离线任务支撑，如：query-ad相关性标注、用户画像生成、关键词扩写、创意优化……这些离线任务 通常用来为在线模型提供特征、数据和标签，工程师们为每个子任务都微调专属的BERT或小型LLM。这种"一任务一模型"的体系存在很 多痛点，如： 知识孤岛：尽管任务间共享广告领域知识共享底层语义，但在碎片化模型下，知识被重复学习，重复造轮子，效率极低。 性能瓶颈：受限于成本，各任务专属模型通常规模较小，面对长尾流量和复杂语义时，容易出现"理解偏差"。而且决策往往是黑盒的，输 出不提供解释。当模型判断错误时，算法工程师无法溯源，人工审核也无从下手。 维护成本高企： ...

范式转移：从"模型森林"到"智能中枢化" 在现代广告推荐技术栈中，依赖大量离线任务支撑，如：query-ad相关性标注、用户画像生成、关键词扩写、创意优化……这些离线任务 通常用来为在线模型提供特征、数据和标签，工程师们为每个子任务都微调专属的BERT或小型LLM。这种"一任务一模型"的体系存在很多 痛点，如： AdNanny团队 投稿 量子位 | 公众号 QbitAI 微软用一个671B的"推理中枢"，把广告系统的脏活累活都管了，性能还全面碾压一众前辈。 在工业级广告推荐系统中，普遍正面临一个吊诡的现状：在通用大语言模型 （LLM） 的推理能力已经登峰造极的同时，为了追求毫秒级的 响应，通常无法直接把LLM用到线上而是在离线端堆积了成百上千个"小模型"——有的管相关性标注，有的管用户画像，等等。 这种 "模型森林" 范式正逐渐成为进化的阻碍。模型间知识割裂、运维成本高昂、决策过程黑盒化。 近日，微软Bing Ads与DKI团队发表论文《AdNanny: One Reasoning LLM for All Offline Ads Recommendation Tasks》，宣布基于 DeepSeek-R1 6 ...