在短視頻成為億萬(wàn)用戶日常生活標(biāo)配的當(dāng)下，它不僅是一種娛樂(lè)方式，更是人們獲取信息、表達(dá)觀點(diǎn)、構(gòu)建社交的主要媒介。隨著內(nèi)容量的井噴式增長(zhǎng)，平臺(tái)面臨著前所未有的挑戰(zhàn)：一方面，需要更高效地識(shí)別和管理內(nèi)容；另一方面，必須精準(zhǔn)地將優(yōu)質(zhì)內(nèi)容推送給真正感興趣的用戶。

大模型技術(shù)，尤其是多模態(tài)大模型，正迅速成為人工智能領(lǐng)域的新引擎，具備強(qiáng)大的圖文音視頻理解能力。但在短視頻生態(tài)這一復(fù)雜、高速演化的場(chǎng)景中，如何將這些技術(shù)真正落地，仍是一道難解的行業(yè)命題。

作為國(guó)內(nèi)領(lǐng)先的短視頻社區(qū)，快手對(duì)利用多模態(tài)大模型重塑短視頻生態(tài)做出了嘗試，提出了基于多模態(tài)大模型的短視頻平臺(tái)生態(tài)優(yōu)化和綜合用戶體驗(yàn)改善方案，并在實(shí)際部署中取得了顯著的成效。這一創(chuàng)新舉措不僅為短視頻平臺(tái)的健康發(fā)展提供了新的思路，也為行業(yè)樹(shù)立了標(biāo)桿。

「基于多模態(tài)大模型的短視頻生態(tài)優(yōu)化方案」

低質(zhì)內(nèi)容廣泛存在于各個(gè)媒體平臺(tái)，識(shí)別和過(guò)濾這些內(nèi)容是改善用戶體驗(yàn)和平臺(tái)生態(tài)的重要環(huán)節(jié)。但傳統(tǒng)視頻質(zhì)量判別方案高度依賴靜態(tài)規(guī)則和標(biāo)注人員判別，造成了高昂的判斷成本，且難以適應(yīng)用戶反感內(nèi)容的動(dòng)態(tài)性，現(xiàn)有的自動(dòng)化質(zhì)量判別方案主要通過(guò)關(guān)鍵詞匹配和大語(yǔ)言模型的提示工程（Prompt Engineering）完成內(nèi)容的識(shí)別與過(guò)濾，難以保證識(shí)別過(guò)濾的準(zhǔn)確率。當(dāng)前工業(yè)界尚缺乏面向短視頻平臺(tái)的內(nèi)容質(zhì)量評(píng)測(cè)標(biāo)準(zhǔn)和成熟的自動(dòng)化識(shí)別解決方案。

快手獨(dú)立完成了首個(gè)面向短視頻平臺(tái)的內(nèi)容質(zhì)量判別基準(zhǔn)測(cè)試構(gòu)建工作，依托自身生態(tài)，打造了覆蓋1000條真實(shí)平臺(tái)短視頻、涵蓋4類主要劣質(zhì)內(nèi)容與15類細(xì)粒度劣質(zhì)內(nèi)容類型的數(shù)據(jù)集，并進(jìn)一步提出了工業(yè)級(jí)自動(dòng)化短視頻質(zhì)量判別框架KuaiMod。區(qū)別于依賴成文規(guī)定的大陸法（Civil Law）體系判別策略，KuaiMod借鑒判例法（Common Law）在靈活性方面的優(yōu)勢(shì)，基于視覺(jué)語(yǔ)言模型（VLMs）的鏈?zhǔn)酵评恚–hain-of-Thought）深入剖析導(dǎo)致視頻引發(fā)用戶反感的原因，利用判例定義判別策略，從而攻克短視頻平臺(tái)中劣質(zhì)內(nèi)容動(dòng)態(tài)變化的難題。KuaiMod方案廣泛使用基于用戶反饋的強(qiáng)化學(xué)習(xí)策略幫助通用VLM完成面向視頻質(zhì)量判別任務(wù)的離線適配和在線更新，模型通過(guò)更新判例實(shí)時(shí)掌握平臺(tái)趨勢(shì)，保證對(duì)新生的劣質(zhì)內(nèi)容的準(zhǔn)確識(shí)別。

在離線測(cè)試中，KuaiMod-7B模型在四種主要劣質(zhì)類別上整體準(zhǔn)確率高達(dá)92.4%，相對(duì)于其他判別方案提升超過(guò)10%。

目前KuaiMod判別方案已經(jīng)在快手平臺(tái)全面部署，為百萬(wàn)級(jí)日新視頻提供質(zhì)量判別服務(wù)，保障數(shù)億用戶的使用體驗(yàn)。A/B測(cè)試表明KuaiMod使用戶舉報(bào)率降低超過(guò)20%，展現(xiàn)出巨大的工業(yè)潛力。

為了促進(jìn)短視頻平臺(tái)生態(tài)優(yōu)化社區(qū)發(fā)展，當(dāng)前KuaiMod的評(píng)測(cè)標(biāo)準(zhǔn)以及詳細(xì)技術(shù)方案論文均已全面開(kāi)源。

[?? ArXiv Paper] ：??https://arxiv.org/pdf/2504.14904v1??

 [?? Homepage]：??https://kuaimod.github.io/??

 [?? KuaiMod Benchmark] ：??https://github.com/KuaiMod/KuaiMod.github.io??

【主要貢獻(xiàn)】

1. 首個(gè)短視頻平臺(tái)劣質(zhì)內(nèi)容判別基準(zhǔn)測(cè)試：本工作面向快手生態(tài)構(gòu)建了短視頻劣質(zhì)內(nèi)容分類體系，形式化定義了短視頻內(nèi)容判別任務(wù)，并基于真實(shí)場(chǎng)景中的用戶反饋構(gòu)建了首個(gè)短視頻劣質(zhì)內(nèi)容判別基準(zhǔn)測(cè)試。KuaiMod劣質(zhì)內(nèi)容分類體系包含4種主要的劣質(zhì)類別以及15種細(xì)粒度劣質(zhì)類別。基準(zhǔn)測(cè)試包含1000條短視頻樣本，涵蓋15種細(xì)粒度劣質(zhì)類別，完全由人工標(biāo)注，并經(jīng)過(guò)多輪數(shù)據(jù)清洗以保證正確性。

2. 首個(gè)工業(yè)級(jí)自動(dòng)化內(nèi)容判別解決方案：當(dāng)前Facebook，Tiktok等媒體平臺(tái)都對(duì)基于深度學(xué)習(xí)模型的自動(dòng)化內(nèi)容質(zhì)量判別方案展開(kāi)探索，但尚未公布成熟的技術(shù)路線。KuaiMod是首個(gè)在工業(yè)場(chǎng)景下驗(yàn)證了部署價(jià)值的自動(dòng)化內(nèi)容質(zhì)量判別解決方案，在快手平臺(tái)多個(gè)場(chǎng)景下的部署結(jié)果表明，KuaiMod方案具有能夠與人工判別相媲美的準(zhǔn)確率。我們?cè)谡撐闹性敿?xì)描述了KuaiMod方案的技術(shù)路線，希望引發(fā)更多的交流和討論。

3. 基于用戶反饋的強(qiáng)化學(xué)習(xí)訓(xùn)練+更新策略：區(qū)別于靜態(tài)的規(guī)則或內(nèi)容判別API，基于判例的劣質(zhì)內(nèi)容建模使得KuaiMod可以通過(guò)迭代訓(xùn)練數(shù)據(jù)完成判別策略的更新。為了保證實(shí)時(shí)性和準(zhǔn)確率，我們?cè)O(shè)計(jì)了基于用戶反饋的強(qiáng)化學(xué)習(xí)范式，利用用戶的線上反饋構(gòu)造新的訓(xùn)練數(shù)據(jù)，實(shí)現(xiàn)線上判別服務(wù)的天級(jí)更新。

一、短視頻質(zhì)量判別基準(zhǔn)測(cè)試

一、短視頻質(zhì)量判別基準(zhǔn)測(cè)試

KuaiMod劣質(zhì)內(nèi)容分類體系

為了應(yīng)對(duì)層出不窮的新增劣質(zhì)內(nèi)容，KuaiMod建立了動(dòng)態(tài)的劣質(zhì)內(nèi)容分類體系。基于快手原有的判別標(biāo)準(zhǔn)，KuaiMod將劣質(zhì)內(nèi)容分類成四個(gè)相互獨(dú)立的主要類別：法律與社會(huì)安全，內(nèi)容質(zhì)量與倫理，不良商業(yè)行為和侵害知識(shí)產(chǎn)權(quán)。在四個(gè)主要類別的基礎(chǔ)上進(jìn)一步構(gòu)建動(dòng)態(tài)的細(xì)粒度劣質(zhì)內(nèi)容分類體系。具體來(lái)說(shuō)，初版KuaiMod分類體系共包括15種細(xì)粒度劣質(zhì)標(biāo)簽。在后續(xù)判別過(guò)程中，如果視頻內(nèi)容被判定為質(zhì)量低下，但不存在與之匹配的細(xì)粒度標(biāo)簽，則根據(jù)有害內(nèi)容為該類視頻生成新的細(xì)粒度標(biāo)簽并計(jì)入原有分類體系。自部署以來(lái)，KuaiMod分類體系中有害內(nèi)容的標(biāo)簽數(shù)目已從15個(gè)擴(kuò)充到100個(gè)，實(shí)現(xiàn)了對(duì)新增有害內(nèi)容的覆蓋和細(xì)粒度分類。

KuaiMod基準(zhǔn)測(cè)試

基于上述分類體系，我們構(gòu)造了業(yè)界首個(gè)短視頻平臺(tái)內(nèi)容質(zhì)量判別基準(zhǔn)測(cè)試。該基準(zhǔn)測(cè)試由1000條來(lái)自快手平臺(tái)的短視頻和對(duì)應(yīng)的分類標(biāo)簽組成，其中578條視頻為非劣質(zhì)內(nèi)容，422條劣質(zhì)視頻涵蓋了初版分類體系中的15種細(xì)粒度劣質(zhì)類型。KuaiMod基準(zhǔn)測(cè)試中的每條數(shù)據(jù)都由多名資深標(biāo)注者把關(guān)，確保分類標(biāo)簽的正確性。在嚴(yán)格的數(shù)據(jù)脫敏和清洗之后，我們將該基準(zhǔn)測(cè)試開(kāi)源，希望促進(jìn)短視頻平臺(tái)生態(tài)優(yōu)化社區(qū)的交流和發(fā)展。

二、短視頻質(zhì)量判別方案

二、短視頻質(zhì)量判別方案

KuaiMod質(zhì)量判別模型由快手自研的YuanQi通用多模態(tài)模型作為基座，面向視頻質(zhì)量判別任務(wù)，使用鏈?zhǔn)酵评頂?shù)據(jù)離線訓(xùn)練后部署上線，并根據(jù)線上反饋持續(xù)更新判別策略。

?

鏈?zhǔn)酵评頂?shù)據(jù)構(gòu)造

KuaiMod訓(xùn)練數(shù)據(jù)的構(gòu)造結(jié)合了人工判別結(jié)果和大模型推理能力。為了增強(qiáng)多模態(tài)大模型對(duì)視頻內(nèi)容和劣質(zhì)標(biāo)簽之間的因果建模，我們?cè)O(shè)計(jì)了Tag2CoT和CoT2Tag流程，為每條訓(xùn)練數(shù)據(jù)提供細(xì)致的分析過(guò)程。

我們將線上的用戶反感（舉報(bào)/厭惡/差評(píng)）視頻隊(duì)列以及用戶喜愛(ài)的高質(zhì)量視頻隊(duì)列作為數(shù)據(jù)源，由人工標(biāo)注者為每條數(shù)據(jù)標(biāo)注細(xì)粒度劣質(zhì)標(biāo)簽。

在Tag2CoT過(guò)程中，多模態(tài)大模型將視頻元信息（視頻標(biāo)題、封面、視頻幀、OCR/ASR文本，用戶評(píng)論等）以及人工標(biāo)注的劣質(zhì)標(biāo)簽作為輸入，并根據(jù)指令分析視頻內(nèi)容，為人工判別結(jié)果提供思維鏈格式的依據(jù)。 在CoT2Tag過(guò)程中，為了將推理過(guò)程結(jié)構(gòu)化，我們?yōu)橐曨l質(zhì)量判別任務(wù)設(shè)計(jì)了專門的流程，具體來(lái)說(shuō)，我們將視頻質(zhì)量判別分成內(nèi)容提取，內(nèi)容分析，中期檢查，用戶反饋分析和總結(jié)判斷五個(gè)狀態(tài)，由多模態(tài)大模型將視頻內(nèi)容以及Tag2CoT過(guò)程中生成的思維鏈整理成狀態(tài)轉(zhuǎn)移格式。

SFT+DPO離線適配

基于構(gòu)造的鏈?zhǔn)酵评頂?shù)據(jù)，KuaiMod模型的離線適配由SFT和DPO兩階段訓(xùn)練組成。

在SFT階段，整合視頻元信息作為輸入，使用next-token-prediction任務(wù)訓(xùn)練YuanQi模型生成推理過(guò)程和判別結(jié)果。

在DPO階段，利用SFT后的模型在訓(xùn)練集上生成推理結(jié)果，從中挑選出判別結(jié)果錯(cuò)誤的樣本，將模型的生成結(jié)果作為負(fù)例，將原本的訓(xùn)練數(shù)據(jù)作為正例，構(gòu)造偏好數(shù)據(jù)，采用直接偏好優(yōu)化算法針對(duì)錯(cuò)誤樣本優(yōu)化模型。

基于用戶反饋的強(qiáng)化學(xué)習(xí)（RLUF）更新范式

盡管KuaiMod模型在離線適配后具備初步的視頻質(zhì)量判別能力，但由于社交視頻平臺(tái)上的劣質(zhì)內(nèi)容會(huì)隨著用戶和社會(huì)趨勢(shì)而變化，靜態(tài)的質(zhì)量判別模型無(wú)法有效適應(yīng)這種動(dòng)態(tài)性。因此，在線上更新階段，我們?cè)O(shè)計(jì)了基于用戶反饋的強(qiáng)化學(xué)習(xí)（RLUF）范式，持續(xù)優(yōu)化 KuaiMod模型的判別策略。

RLUF包括如下關(guān)鍵元素：

• 環(huán)境：由短視頻平臺(tái)上的視頻和用戶組成，用戶通過(guò)觀看視頻并提供反饋（如舉報(bào)）來(lái)與環(huán)境互動(dòng)。
• 智能體：KuaiMod模型作為代理與環(huán)境互動(dòng)，其策略由參數(shù) θ決定，基于視頻內(nèi)容進(jìn)行質(zhì)量判斷。
• 獎(jiǎng)勵(lì)和目標(biāo)：獎(jiǎng)勵(lì)信號(hào)直接來(lái)自用戶反饋，較低的用戶舉報(bào)率表明更好的質(zhì)量判別策略。目標(biāo)是通過(guò)與環(huán)境的互動(dòng)更新判別策略，以提高用戶滿意度和平臺(tái)生態(tài)。

?

劣質(zhì)內(nèi)容判別策略更新的關(guān)鍵在于消除模型與用戶對(duì)劣質(zhì)內(nèi)容理解的差異。為此，選擇模型判別結(jié)果與用戶反饋不一致的視頻案例作為優(yōu)化階段的訓(xùn)練數(shù)據(jù)。具體步驟包括：

?

1. 實(shí)時(shí)難例收集：難例來(lái)自用戶舉報(bào)視頻以及高熱視頻。舉報(bào)行為直接反映了用戶理解的劣質(zhì)內(nèi)容的范疇，而高熱視頻因其受歡迎程度而具有更高的擴(kuò)散風(fēng)險(xiǎn)，同時(shí)也反映了平臺(tái)趨勢(shì)和用戶偏好。

?

2. 數(shù)據(jù)篩選：

• 粗篩選：假設(shè)未被用戶舉報(bào)的視頻為正例，而高舉報(bào)隊(duì)列中的視頻為劣質(zhì)樣本。通過(guò)更新前的KuaiMod模型生成判別決策，識(shí)別出與人類反饋相矛盾的案例作為線上更新階段的候選訓(xùn)練數(shù)據(jù)。

• 精細(xì)標(biāo)注：對(duì)有爭(zhēng)議的候選案例進(jìn)行人工復(fù)檢，確定最終的劣質(zhì)標(biāo)簽，并通過(guò)既定的Tag2CoT和CoT2Tag流程生成數(shù)據(jù)。對(duì)于KuaiMod判斷錯(cuò)誤的案例，原始和新生成的響應(yīng)分別作為錯(cuò)誤和正確答案；對(duì)于KuaiMod判斷正確但用戶仍感到不適的案例，使用YuanQi-20B 模型在CoT推理過(guò)程中列舉可能引起用戶不適的方面，并解釋該視頻為何不會(huì)對(duì)社區(qū)生態(tài)造成危害，以幫助模型區(qū)分個(gè)體用戶敏感性和社會(huì)共識(shí)。

在線上更新階段的訓(xùn)練中，我們?nèi)匀徊捎弥苯悠脙?yōu)化算法來(lái)完成模型判別策略與用戶反饋的對(duì)齊。

離線性能評(píng)估

我們?cè)贙uaiMod基準(zhǔn)測(cè)試上評(píng)估了多種視頻質(zhì)量判別方案，從較早的RoBERTa編碼器到先進(jìn)的Intern-VL模型，從通用的GPT-4o到專業(yè)的Perspective API，以及經(jīng)過(guò)離線適配的KuaiMod-7B模型。評(píng)測(cè)包括簡(jiǎn)單的劣質(zhì)/非劣質(zhì)二分類和對(duì)細(xì)粒度標(biāo)簽的多分類。

評(píng)測(cè)結(jié)果揭示了視頻質(zhì)量判別任務(wù)存在如下關(guān)鍵要素：

1. 判別標(biāo)準(zhǔn)的實(shí)時(shí)性：在諸多判別方法中，Perspective是唯一的工業(yè)級(jí)內(nèi)容判別API，但由于其使用的模型訓(xùn)練時(shí)間較早，且無(wú)法微調(diào)，因此相較于其他可微調(diào)的方法以及更新的GPT-4o，準(zhǔn)確率較低。

2. 多模態(tài)理解能力：?能夠利用多模態(tài)信息的方法相比于僅能利用文本信息的模型普遍取得了更好的效果，強(qiáng)大的視覺(jué)理解能力對(duì)于視頻質(zhì)量判別任務(wù)至關(guān)重要。

KuaiMod-7B模型取得了92.4%的整體準(zhǔn)確率，相對(duì)于其他方法取得了將近10%的提升，展現(xiàn)出了性能優(yōu)勢(shì)和應(yīng)用潛力。

線上部署性能增益

為了驗(yàn)證KuaiMod方案的實(shí)際應(yīng)用價(jià)值，我們?cè)诳焓稚鷳B(tài)中的三個(gè)場(chǎng)景（快手極速版，快手精選和快手主站）進(jìn)行了A/B測(cè)試。在極速版和精選場(chǎng)景下，KuaiMod的質(zhì)量判別服務(wù)使視頻舉報(bào)率降低了20%以上，顯著提升了用戶的觀看體驗(yàn)。同時(shí)，質(zhì)量判別服務(wù)沒(méi)有對(duì)活躍用戶數(shù)目和觀看時(shí)長(zhǎng)造成負(fù)面影響，這證明KuaiMod剔除的短視頻不符合主流用戶的興趣。在主站場(chǎng)景下，KuaiMod的質(zhì)量判別服務(wù)使得活躍用戶規(guī)模和人均觀看時(shí)長(zhǎng)均產(chǎn)生了增長(zhǎng)，這證明了有害內(nèi)容剔除對(duì)于短視頻平臺(tái)的發(fā)展具有巨大價(jià)值。

?

三、快手致力打造社區(qū)短視頻理解多模態(tài)大模型

短視頻平臺(tái)的內(nèi)容分發(fā)面臨兩大核心挑戰(zhàn)：如何從海量?jī)?nèi)容中精準(zhǔn)捕捉用戶興趣，以及如何在信息過(guò)載時(shí)代構(gòu)建用戶與內(nèi)容的高效連接。隨著短視頻內(nèi)容的多樣化和復(fù)雜性，平臺(tái)需要探索更加先進(jìn)的推薦技術(shù)，以提升推薦的精準(zhǔn)性和可解釋性，從而更好地滿足用戶的需求。

快手正致力于打造一個(gè)能夠真正“理解社區(qū)短視頻”的多模態(tài)大模型，不只是追求技術(shù)指標(biāo)的突破，而是從用戶體驗(yàn)、內(nèi)容理解到業(yè)務(wù)變現(xiàn)，全面重塑平臺(tái)的智能基礎(chǔ)設(shè)施。這不僅關(guān)乎一個(gè)產(chǎn)品的升級(jí)，更代表著一種新的AI價(jià)值實(shí)現(xiàn)路徑。

多模態(tài)語(yǔ)義理解硬骨頭：快手短視頻語(yǔ)義遠(yuǎn)超多模態(tài)通用范式

相比標(biāo)準(zhǔn)化的影視視頻或通用圖文內(nèi)容，社區(qū)短視頻的語(yǔ)義環(huán)境極為復(fù)雜：內(nèi)容碎片化嚴(yán)重、情境依賴性強(qiáng)、語(yǔ)言與視覺(jué)高度融合、表達(dá)風(fēng)格高度個(gè)性化、傳達(dá)意圖往往隱含于動(dòng)作、語(yǔ)氣、背景與上下文之中。這意味著，只有能夠真正“看懂、聽(tīng)懂、理解”這些視頻的大模型，才能為推薦、搜索、內(nèi)容生成等核心能力提供有效支撐。

這正是快手推進(jìn)多模態(tài)大模型建設(shè)的起點(diǎn)。

團(tuán)隊(duì)明確提出，模型不僅需要實(shí)現(xiàn)語(yǔ)言、視覺(jué)、音頻等模態(tài)的信息融合，還要具備：

• 對(duì)短視頻語(yǔ)境中復(fù)雜意圖的識(shí)別能力；
• 對(duì)用戶興趣動(dòng)態(tài)變化的感知能力；
• 對(duì)視頻背后高階語(yǔ)義與知識(shí)圖譜的推理能力。

傳統(tǒng)方法往往止步于對(duì)視頻內(nèi)容的表征提取，而快手要做的是，從“表征”邁向“理解”——這是通往下一代AI系統(tǒng)的必由之路。

建立以“視頻理解”為核心的多模態(tài)模型框架

為此，快手自研的大模型能力被系統(tǒng)地分為三個(gè)層次：

第一層：多模態(tài)基礎(chǔ)能力

這一層聚焦于打通視頻、圖像、文本等多模態(tài)輸入的表示空間。團(tuán)隊(duì)探索了多種訓(xùn)練范式：

• 通過(guò)語(yǔ)言模型主導(dǎo)的Encoder路徑融合視覺(jué)內(nèi)容；
• 利用Adapter方式對(duì)視覺(jué)模態(tài)進(jìn)行調(diào)參適配；
• 構(gòu)建統(tǒng)一的流式理解體系，實(shí)現(xiàn)短視頻“上下文建模”；
• 引入監(jiān)督微調(diào)（SFT）策略，提升模型生成能力和對(duì)齊度。

?在模型訓(xùn)練數(shù)據(jù)上，快手搭建了高質(zhì)量的中文短視頻語(yǔ)料庫(kù)，支持“視頻-語(yǔ)音-文本”三位一體的訓(xùn)練目標(biāo)，并構(gòu)建了以“視頻結(jié)構(gòu)化標(biāo)簽體系”為中心的訓(xùn)練監(jiān)督鏈條，實(shí)現(xiàn)模型對(duì)短視頻語(yǔ)義單位的精準(zhǔn)識(shí)別。

第二層：高級(jí)認(rèn)知與推理能力

在具備感知能力之后，快手將模型推向更高維度的認(rèn)知與推理能力。這部分重點(diǎn)突破如下：

• 利用RAG機(jī)制結(jié)合知識(shí)圖譜進(jìn)行視頻內(nèi)容補(bǔ)全與多跳問(wèn)答；
• 提高模型對(duì)復(fù)雜命題（如動(dòng)作因果、話題轉(zhuǎn)折、情感表達(dá)等）的理解力；
• 融合社交線索（如點(diǎn)贊評(píng)論、觀看路徑）進(jìn)行因果鏈建模。

?與OpenAI、DeepSeek等在圖文領(lǐng)域大模型能力相比，快手的優(yōu)勢(shì)在于其數(shù)據(jù)更貼近用戶真實(shí)興趣軌跡，具備構(gòu)建“懂人心”模型的土壤。

第三層：多模態(tài)應(yīng)用能力

快手多模態(tài)模型的目標(biāo)并非“實(shí)驗(yàn)室指標(biāo)”，而是“場(chǎng)景閉環(huán)”。當(dāng)前，模型已廣泛部署于平臺(tái)的多個(gè)核心任務(wù)中，包括：

• 視頻興趣標(biāo)簽結(jié)構(gòu)化；
• 短視頻Caption生成與標(biāo)題優(yōu)化；
• 用戶興趣識(shí)別與推薦意圖建模；
• 智能選題、內(nèi)容共創(chuàng)輔助；
• 電商商品知識(shí)圖譜構(gòu)建與導(dǎo)購(gòu)?fù)扑]；
• 用戶評(píng)論語(yǔ)義解析與話題擴(kuò)散預(yù)測(cè)。

?尤其在商品推薦與內(nèi)容創(chuàng)作領(lǐng)域，快手正在構(gòu)建“知識(shí)驅(qū)動(dòng)的AI內(nèi)容理解-生成-推薦”全鏈條，從而實(shí)現(xiàn)從內(nèi)容理解到價(jià)值轉(zhuǎn)化的智能躍遷

實(shí)際業(yè)務(wù)中，這一模型體系已在用戶行為可解釋性任務(wù)中展現(xiàn)出顯著成效——在快手主站與極速版核心場(chǎng)景中，平臺(tái)多項(xiàng)正向核心指標(biāo)穩(wěn)步提升，主站場(chǎng)景下舉報(bào)率下降超過(guò)26%，極速版下降超過(guò)24%，充分體現(xiàn)了多模態(tài)模型在真實(shí)業(yè)務(wù)環(huán)境中的落地能力與優(yōu)化成效。

三階段路徑：從能力建設(shè)到生態(tài)閉環(huán)

快手在多模態(tài)大模型建設(shè)方面采取了清晰的階段性策略，力求以系統(tǒng)性投入逐步構(gòu)建起具備產(chǎn)業(yè)價(jià)值和應(yīng)用閉環(huán)的模型能力體系。

第一階段：夯實(shí)基礎(chǔ)能力

快手聚焦于多模態(tài)模型的底層能力建設(shè)，重點(diǎn)包括統(tǒng)一的標(biāo)簽體系構(gòu)建、多源異構(gòu)語(yǔ)料的采集與清洗，以及多模態(tài)監(jiān)督機(jī)制的初步搭建。通過(guò)標(biāo)準(zhǔn)化、結(jié)構(gòu)化的標(biāo)簽體系，為模型提供更精確的語(yǔ)義錨點(diǎn)，奠定了高質(zhì)量訓(xùn)練的基礎(chǔ)。

第二階段：推進(jìn)語(yǔ)義融合與興趣建模

隨著基礎(chǔ)能力的成熟，快手開(kāi)始將模型能力延伸到內(nèi)容與用戶之間的深層理解。此階段重點(diǎn)探索內(nèi)容語(yǔ)義結(jié)構(gòu)與用戶行為偏好的聯(lián)動(dòng)機(jī)制，推動(dòng)知識(shí)圖譜在推薦、搜索等業(yè)務(wù)場(chǎng)景中的實(shí)用化落地，進(jìn)一步提升內(nèi)容分發(fā)的精準(zhǔn)性與用戶體驗(yàn)。

第三階段：實(shí)現(xiàn)產(chǎn)品集成與業(yè)務(wù)共振

在模型能力逐步完善的基礎(chǔ)上，快手將多模態(tài)技術(shù)融入平臺(tái)多個(gè)關(guān)鍵業(yè)務(wù)流程，面向內(nèi)容理解、創(chuàng)作輔助、商業(yè)推薦等多類任務(wù)實(shí)現(xiàn)統(tǒng)一支撐。同時(shí)，探索AI能力在營(yíng)銷、分發(fā)、內(nèi)容生產(chǎn)等場(chǎng)景中的創(chuàng)新應(yīng)用，推動(dòng)模型從“算法引擎”邁向“平臺(tái)能力”的演進(jìn)。

這一分階段的策略不僅保障了技術(shù)建設(shè)的系統(tǒng)性，也使得大模型能力能夠穩(wěn)步走向規(guī)模化應(yīng)用和價(jià)值兌現(xiàn)。

走出學(xué)術(shù)范式，邁入“場(chǎng)景即能力”的產(chǎn)業(yè)實(shí)踐階段

快手的多模態(tài)大模型不是為了追趕潮流，而是一次源于真實(shí)場(chǎng)景需求的技術(shù)深耕。它所代表的，是中文內(nèi)容生態(tài)中，一個(gè)由社區(qū)驅(qū)動(dòng)、短視頻驅(qū)動(dòng)的智能化轉(zhuǎn)型路徑。

如果說(shuō)過(guò)去多模態(tài)模型更像是“學(xué)術(shù)成果的工程化實(shí)現(xiàn)”，那么快手的路線更像是“產(chǎn)品倒推下的技術(shù)演進(jìn)”。在這個(gè)過(guò)程中，快手展現(xiàn)出一種難得的“慢功夫”與務(wù)實(shí)精神：先理解任務(wù)本身，再推動(dòng)模型優(yōu)化，最終形成業(yè)務(wù)閉環(huán)。這種從需求出發(fā)、自研為本、場(chǎng)景驅(qū)動(dòng)的技術(shù)策略，為整個(gè)中文AI生態(tài)提供了一種新的范式樣本。