Netflix 用语言模型重做推荐：40 倍少样本，不等于替换整套系统

据 Netflix 技术博客，Netflix 正在测试名为 GenRec 的 LLM 原生推荐架构。它把观看历史、内容元数据和场景信息转成语言模型可处理的上下文，再用专门的打分头排序候选内容。离线测试中，第二阶段排序器只使用约四十分之一的标注样本，平均倒数排名仍提升约 1.6%。

一句话结论：Netflix 不是让聊天机器人猜用户想看什么，而是借用语言模型的预训练能力减少特征工程和样本需求，再把输出限制回传统排序任务。

传统推荐系统依赖数千个人工设计特征。用户是否刚看完一部剧、是否在周末、某类内容最近看了多少次，都要被编码成固定字段。GenRec 则把这些信息“语言化”，让模型直接从较长历史中学习关系。基础模型来自开放模型，再用 Netflix 自有语料和目标训练。

关键是它不在在线阶段生成文字。系统只运行预填充，用最后一层隐藏状态配合条目向量和打分头计算排名，避免逐 Token 解码。重复事件会被摘要，低信号历史被省略，共享前缀还能复用计算。这些工程处理比“换成 LLM”本身更决定成本。

奖励也不是单一点击率。Netflix 把短期互动、长期满意度和业务目标组合进加权损失，但这仍不是完整的强化学习。更小的蒸馏模型、上下文压缩和批处理场景，都是它能进入生产测试的前提。

在线 A/B 测试覆盖约 10% 流量、持续约四周，报告称短期和长期指标均有显著提升。不过目前验证集中在可批量计算的页面，实时推荐是否能承受延迟和成本仍待验证。这不是整套 Netflix 推荐系统已经被 LLM 替换。

关键事实

• 架构：语言化用户历史，LLM 编码，专用打分头排序
• 离线结果：第二阶段标注样本约少 40 倍，MRR 提升约 1.6%
• 在线测试：约 10% 流量、约四周，报告称核心指标有显著提升
• 边界：目前主要用于批处理页面，实时场景仍需验证

OC 判断

GenRec 最有价值的不是“推荐系统聊天化”，而是让同一套预训练表示接住更多上下文，减少每个团队手搓特征的成本。问题也随之转移：上下文怎么压缩、目标怎么加权、昂贵模型何时刷新，这才是开发者真正会撞上的地方。

为什么重要

• 对开发者：LLM 可以成为表示层和排序器，不必承担文本生成任务。
• 对平台：更少标注数据能加快新场景上线，但算力与目标偏差仍需在线实验约束。
• 对用户：推荐可能更理解长期偏好，也更难看懂平台为什么把某个内容排在前面。

参考来源

• GenRec: Towards LLM-native Recommendation at Netflix