推荐系统的经典架构正在被重新审视：Yandex 用单个生成式模型替代了整条多阶段级联。
发生了什么
Yandex 公布了名为 Sona 的生成式推荐系统。与主流推荐架构不同，Sona 不再把推荐拆成召回、粗排、精排等多个独立阶段，而是用单个 Transformer 同时完成候选生成和排序。在 Yandex Music 的线上 A/B 测试中，这一方案在没有使用手工工程特征的情况下，将点赞率提升了 11.42%。相关报道来自 MarkTechPost。
为什么重要
过去十年，工业推荐系统的主流范式是“级联”：先用轻量模型从海量内容中召回候选，再用复杂模型逐层排序。这种设计源于算力与延迟约束——全量打分成本过高，只能分而治之。代价是每个阶段各自优化、目标割裂，特征工程和跨阶段一致性维护成为长期负担。
生成式推荐的核心思路是把推荐重新定义为序列生成问题：模型直接根据用户历史行为，自回归地“生成”下一个可能交互的内容标识。这与大语言模型的技术路线同源，也顺应了推荐与生成模型融合的趋势。Sona 的意义在于，它把这一思路推进到了工业级线上验证，并且用点赞率这一直接业务指标给出了正向信号。
影响与看点
对推荐工程团队而言，最直接的冲击是架构简化：如果单模型能同时承担生成与排序，级联中的特征管道、多阶段调参和线上服务编排都可能被大幅压缩。这既降低维护成本，也减少了各阶段目标不一致带来的次优问题。
但需要冷静看待几点。其一，11.42% 的点赞提升来自 Yandex Music 这一特定场景，音乐推荐的行为序列相对密集、内容库规模可控，能否迁移到电商、短视频等场景仍需验证。其二，生成式模型对推理延迟和算力成本的要求更高，线上服务的可行性取决于工程优化程度。其三，A/B 测试的周期、用户规模和统计显著性细节尚未充分披露，单点指标不宜过度外推。
值得关注的方向是：生成式推荐是否会像大模型重构 NLP 那样，逐步取代传统级联架构；以及“无手工特征”能在多大程度上成立——这决定了推荐工程师的技能重心会从特征工程转向序列建模与生成策略。一个独立判断是：Sona 更像是一个方向性验证，而非即插即用的替代方案，但它足以让推荐架构的讨论从“如何优化级联”转向“是否还需要级联”。
