Chỉ cần dùng DeepSeek bản web là có thể chia sẻ quỹ thưởng 6 triệu của Tencent?

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">

19-08-2026 15:40:36 Nguồn: QbitAI

Tư thế của nhà vô địch là đây

Wen Le đưa tin từ Ao Feisi

QbitAI | Kênh chính thức QbitAI

Đảo Jeju, KDD 2026, không khí thật náo nhiệt.

Jeff Dean cùng hàng loạt tên tuổi lớn liên tục xuất hiện, chỉ cần rẽ một góc trong hội trường, bạn cũng có thể bắt gặp những nhà nghiên cứu nổi tiếng đang chuyên sâu trong lĩnh vực khai thác dữ liệu.

Ngay trong bầu không khí trao đổi sôi nổi này, một vấn đề đã làm khó ngành công nghiệp từ lâu – bài toán mô hình hóa thống nhất cho hệ thống gợi ý – cuối cùng cũng đã có lời giải.

Ba tháng trước, Tencent Marketing với tư cách là đơn vị tổ chức đường đua chính thức của KDD Cup 2026, đã đưa ra một đề bài cho các thuật toán gia trên toàn cầu:

Liệu hệ thống gợi ý có thể đón nhận khoảnh khắc Scaling Law của riêng mình?

Đề thi tập trung vào "Mô hình hóa chuỗi thống nhất và tương tác đặc trưng cho hệ thống gợi ý quy mô lớn".

Yêu cầu các thí sinh sử dụng một Recommendation Block thống nhất để hợp nhất việc mô hình hóa chuỗi và tương tác đặc trưng vốn đang hoạt động riêng lẻ, nhằm kiểm chứng xem hệ thống gợi ý có thể sao chép mô hình lớn (Large Model) để sở hữu một kiến trúc thống nhất có khả năng mở rộng liên tục hay không.

Để thu hút các cao thủ, "Nhà Ngỗng" (Tencent) không chỉ cung cấp dữ liệu đã khử định danh từ hoạt động kinh doanh thực tế của mình làm đề bài, mà còn nâng tổng giải thưởng lên hơn 6 triệu.

Lúc đó chúng tôi từng đặt câu hỏi trước cuộc thi: Làm thế nào để "chia phần" 6 triệu này từ Tencent một cách thanh lịch?

Tại hiện trường KDD 2026, câu trả lời đã có.

Sự thống nhất của hệ thống gợi ý

Đề bài này thực chất là một nỗi đau thực tế mà ngành công nghiệp đã phải trả giá qua vô số lần vấp ngã.

Trong một thời gian dài trước đây, các hệ thống gợi ý công nghiệp thường chia để trị, với tư duy thiết kế chủ đạo là mô-đun hóa:

Một bộ mô hình chuyên đọc chuỗi hành vi lịch sử của người dùng, khai thác sở thích dài hạn và ngắn hạn từ dòng thời gian duyệt web, nhấp chuột và mua hàng;

Một bộ mô-đun độc lập khác chuyên xử lý các đặc trưng rời rạc và liên tục đa dạng như hồ sơ người dùng, thuộc tính sản phẩm, tư liệu quảng cáo, nhằm khai thác lợi ích kết hợp giữa các đặc trưng khác nhau.

Hai bộ mô-đun thực hiện nhiệm vụ riêng biệt, kết quả đầu ra sau đó được hợp nhất. Mô hình này đã hỗ trợ sự phát triển thần tốc của mảng kinh doanh gợi ý trong hơn mười năm qua, đồng thời khai sinh ra nhiều mô hình công nghiệp kinh điển.

Tuy nhiên, cùng với sự bùng nổ về quy mô kinh doanh internet, lượng người dùng và số lượng tư liệu quảng cáo tăng lên gấp bội, những hạn chế của mô hình phân công này dần bộc lộ.

Mỗi loại thông tin duy trì một chuỗi mô hình riêng biệt khiến hệ thống ngày càng trở nên phức tạp. Khi số lượng mô-đun tăng lên, chi phí điều chỉnh tham số, lặp lại và bảo trì cũng liên tục leo thang.

Đặc biệt là sau khi ngành công nghiệp chuyển đổi toàn diện sang sử dụng GPU để huấn luyện và suy luận, điểm yếu của kiến trúc đa mô-đun không đồng nhất này càng bị phóng đại. Do sự khác biệt lớn về phương thức tính toán giữa các mô-đun con, sức mạnh tính toán khó được tận dụng tối đa, dẫn đến lãng phí tài nguyên phần cứng.

Chính vì vậy, khi các mô hình lớn (Large Model) làm mưa làm gió nhờ kiến trúc Transformer thống nhất và Scaling Law, những người làm hệ thống gợi ý đều đang trăn trở một điều:

Liệu chúng ta có nên thực hiện một cuộc thống nhất kiến trúc hay không?

Các mô hình lớn có thể liên tục chồng tham số, chồng dữ liệu, chồng sức mạnh tính toán để đạt hiệu quả tăng trưởng ổn định, cốt lõi chính là nhờ kiến trúc đồng nhất có khả năng chồng xếp này.

Không cần thay đổi thường xuyên các mô hình nền tảng, chỉ cần mở rộng quy mô mô hình là có thể liên tục thu được hiệu suất cao hơn.

Nếu đưa toàn bộ việc mô hình hóa chuỗi và tương tác đặc trưng vào cùng một Recommendation Block, hoàn thành tính toán trong cùng một hệ thống, thì khi quy mô hệ thống gợi ý không ngừng mở rộng, liệu hiệu quả có tăng trưởng theo không?

Vì vậy, lần này TAAC × KDD Cup đã đưa ra đề bài này với hy vọng các thí sinh sẽ xuất phát từ kiến trúc tầng sâu hơn để suy nghĩ lại về cách các thông tin khác nhau trong hệ thống gợi ý nên tương tác với nhau.

Mặc dù hệ thống gợi ý và mô hình lớn tạo sinh đều phải tiếp nhận lượng yêu cầu trực tuyến khổng lồ, nhưng các ràng buộc kinh doanh lại hoàn toàn khác biệt.

Các dịch vụ tạo sinh của mô hình lớn thường cho phép độ trễ từ vài chục đến hàng trăm mili giây, đồng thời có thể giảm áp lực thông qua các biện pháp như bộ nhớ đệm (cache), xuất dữ liệu theo luồng (streaming), hoặc giảm tải yêu cầu.

Nhưng gợi ý quảng cáo thì khác, mỗi khi người dùng lướt trang, hệ thống phải hoàn thành một vòng chấm điểm và sắp xếp các quảng cáo ứng viên, đòi hỏi phản hồi ở cấp độ mili giây. Với lưu lượng truy cập khổng lồ, mỗi chút tiêu thụ sức mạnh tính toán dư thừa đều sẽ bị khuếch đại bởi hàng tỷ yêu cầu, ảnh hưởng trực tiếp đến chi phí kinh doanh.

Ngay cả khi chỉ số AUC ngoại tuyến (chỉ số hiệu quả dự đoán của mô hình, giá trị càng cao khả năng phân biệt gợi ý càng mạnh) rất đẹp, nếu tốc độ suy luận chậm và chi phí tính toán cao, thì khi áp dụng vào kinh doanh quảng cáo thực tế, nó gần như không có giá trị thực tiễn.

Vì vậy, cuộc thi này ngay từ đầu đã từ chối "chỉ nhìn vào chỉ số". AUC cần phải tăng, nhưng hiệu suất suy luận và tính khả thi về mặt kỹ thuật cũng là những ràng buộc cứng.

Đây cũng là lý do tại sao cuộc thi thuật toán quảng cáo Tencent lần này đồng thời mở ra hai đường đua: học thuật và công nghiệp:

Đối mặt với cùng một đề bài, một bên khám phá các mô hình mới, một bên trực tiếp đưa giải pháp vào môi trường công nghiệp để kiểm chứng.