Pinterest 近日披露，其已将用户旅程推理系统从原有的多阶段聚类管线迁移至一个经过微调的 40 亿参数语言模型，该模型基于 Qwen3 构建。系统上线后，邮件点击率提升 1.1％，推送通知打开率提升 1.3％。
用户旅程推理是 Pinterest 用于理解用户行为序列、判断其所处决策阶段的基础能力，此前依赖多阶段聚类流程完成。该方案需要人工设计特征与阶段性规则，链路上各环节相对独立，维护成本较高。迁移至单一微调大模型后，Pinterest 将原本分散的推理环节整合进一个统一模型，减少了管线中的中间步骤。
选择 40 亿参数规模而非更大模型，意味着 Pinterest 在效果与推理成本之间做了权衡。该量级模型可在保证线上推理延迟可控的前提下完成部署，适合邮件、推送这类高频触达场景的实时或准实时调用。基于 Qwen3 进行微调，也反映出企业在构建垂直场景模型时，倾向以开源基座加领域数据微调的路径替代从零训练。
从业务指标看，1.1％ 与 1.3％ 的提升幅度不算显著，但触达渠道的转化率优化通常以百分点的小数位计，且直接关联用户留存与活跃度。对 Pinterest 而言，用户旅程判断的准确性会影响其推荐与营销触达的精准度，进而影响广告变现效率。
此次调整也契合企业软件领域的一个趋势：传统机器学习管线正被大模型能力逐步替代或重构。聚类、分类等经典方法在特征工程与流程编排上的复杂度，正让位于微调模型的一体化推理。对于拥有大规模用户行为数据的企业，如何以可控成本将大模型嵌入既有数据链路，仍是落地阶段的核心问题。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
