TubiFM: Unified Item, Carousel, and Search Ranking for Streaming Discovery
TubiFM：统一物品、轮播与搜索排序的流媒体推荐模型
🧭 生成式推荐 · 多任务统一排序 ★ 深度解读
Tubi
将用户跨表面的行为序列化为“用户故事”，通过单一生成式模型统一物品、轮播和搜索排序，简化系统并提升多任务效果。
📌 工作参考价值（4 点）
- 统一用户行为表示：将搜索、观看、轮播曝光等异构信号序列化为“用户故事”，可作为电商场景中浏览、搜索、购买行为的统一输入格式，避免为不同任务维护多套特征工程。
- 单一模型处理多任务：通过不同提示词完成物品排序、容器排序、搜索排序，无需多任务头，可直接借鉴到电商首页推荐、频道排序和搜索排序的模型合并，降低系统复杂度。
- 原子token与掩码训练：使用原子item token而非Semantic ID，减少推理开销；训练时随机掩码carousel token，增强模型对容器无关排名的泛化能力，适合电商中跨场景打分。
- 工程落地启示：用1B LLM取代多阶段召回+排序流水线，p99延迟从500ms降至200ms，在搜索上TVT提升3.9%，证明生成式统一排序可在简化架构的同时保持或提升业务指标。