Netflix 最近公開了其名為 GenPage 的生成式 AI 系統，旨在徹底改變使用者首頁的呈現方式。對於許多工程師來說，推薦系統通常被視為一連串複雜的篩選過程，而 GenPage 的核心突破在於將整個首頁的構建過程，從傳統的管線式架構轉向單一的生成式模型。
傳統推薦系統的運作邏輯
在 GenPage 出現之前，Netflix 使用的是典型的多階段推薦管線（Multi-stage Pipeline）。這種架構通常分為三個層級：首先是候選生成（Candidate Generation），從海量內容中快速篩選出可能感興趣的項目；接著是排序（Ranking），對這些項目進行精確評分以決定優先順序；最後才是頁面佈局（Page Layout），決定哪些內容該放在哪一個橫列（Row）。
這種做法的問題在於，每個橫列和每個項目都需要重複執行上述流程，且各階段之間相對獨立。這導致系統難以進行全頁面的整體優化，因為佈局階段往往只是在接收前一階段的結果，而無法回頭影響項目的選擇。
GenPage 的單一生成路徑
GenPage 改變了這個遊戲規則。它不再將首頁視為多個獨立組件的堆疊，而是將其視為一個生成任務。透過將使用者的歷史紀錄和請求上下文（Context）作為 Prompt（提示詞），模型直接回答一個問題：根據目前對該使用者的所有認知，應該生成什麼樣的首頁才能最大化使用者滿意度？
這種設計將項目選擇、橫列構建與佈局生成這三個層級統一在單一模型中。這不僅簡化了工作流，更重要的是實現了全頁面優化（Whole-page Optimization）。
全頁面優化的實務影響
透過後訓練強化學習（Post-training Reinforcement Learning, RL），GenPage 能夠理解不同內容之間的相互影響。
舉例來說，如果將繼續觀看（Continue Watching）這個橫列放在首頁頂端，雖然能快速滿足使用者的即時需求，但可能會導致使用者停止向下瀏覽其他推薦內容。傳統系統很難在單一管線中衡量這種跨橫列的權衡，但 GenPage 的生成式邏輯可以將整個頁面視為一個整體來優化，從而平衡即時滿足感與探索新內容的機會。
模型規模與提示詞的權衡
在開發過程中，Netflix 發現了一個對工程實務非常有價值的結論：在個人化場景中，豐富 Prompt 的效果遠大於盲目擴大模型參數。
工程團隊對比了將模型參數從 1.2 億（120M）擴展到 9 億（900M）的影響，發現參數規模增加對損失函數（WBC loss）的降低僅約 1.3%。然而，透過優化上下文資訊（Context Enrichment）所帶來的提升卻高達 6.9%。在某些情況下，單次精準的上下文補充，其效果甚至超過了將模型規模擴大 7.5 倍。
這告訴我們，在處理工業級個人化問題時，優先思考如何提供更高品質、更精準的輸入數據（Context），比追求更大的模型容量更有效率。當然，這存在邊際遞減效應，當輸入資訊達到飽和後，增加模型容量才會再次成為性能提升的主導因素。
效能與結果
通常人們認為生成式模型（Generative Models）速度較慢，但 GenPage 在 A/B 測試中反而降低了 20% 的端到端服務延遲（Serving Latency）。這是因為它用單次模型推論取代了原本需要多次調用的複雜多階段管線，減少了系統間的溝通開銷與重複計算。
最終，GenPage 不僅提升了核心使用者參與度指標，還在內容多樣性與自定義程度上表現出意想不到的增益。
來源：infoq.com
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。