阿里 RecGPT-V3 技术报告：有状态混合模态推荐架构

阿里巴巴淘宝团队近日发布 RecGPT-V3 技术报告，介绍了一款面向推荐场景的有状态、混合模态大模型。该模型已在淘宝「猜你喜欢」信息流中完成大规模在线 A/B 测试，端到端服务资源消耗降低 52.4%，商品交易总额（GMV）相对提升 3.97%。

背景：从 V1 到 V3 的演进路径

RecGPT 系列的思路是利用大语言模型，将推荐系统从「匹配历史行为共现模式」转向「推理用户意图」。V1 版本在淘宝场景首次验证这一范式，以用户理解为核心；V2 版本通过多智能体协同推理放大效果，两者均已在生产环境稳定运行并带来用户体验与商业指标的持续增益。

但在规模化部署过程中，团队识别出三个核心痛点：

无状态行为建模：每次请求都需重处理完整用户历史，计算浪费且丢失先验分析；
标签到商品的信息瓶颈：自然语言标签在「用户理解」与「商品锚定」之间形成有损通道；
显式推理效率低下：冗长的思维链带来不可接受的延迟与算力开销。

RecGPT-V3 的三项关键设计

记忆中枢：可演化的结构化用户记忆

V3 引入 Memory Hub，将长周期行为蒸馏为压缩单元持续更新，避免每次请求重复建模全量历史。官方数据显示，该机制使用户建模计算量减少 55.8%。

混合模态基础模型

模型同时支持自然语言（用于开放世界知识）与 Semantic ID（语义化商品 ID，用于具体商品锚定）。这一设计打通了通向商品空间的高带宽通道，缓解了文本标签的信息瓶颈。

潜在意图推理

为降低推理开销，V3 将冗长显式推理过程蒸馏为可学习的潜在 token，同时保留解码为可读解释的能力。输出 token 成本下降约 200 倍。

生产部署与线上收益

RecGPT-V3 已落地于淘宝「猜你喜欢」信息流。在大规模在线 A/B 测试中，相对基线取得如下增益：

人均浏览商品数（IPV）：+1.28%
点击率（CTR）：+1.00%
转化率（TC）：+1.97%
交易总额（GMV）：+3.97%
端到端服务资源消耗：−52.4%

意义与局限

RecGPT-V3 的工程价值在于：把 LLM 推荐从「演示级」推进到「亿级流量级」，并给出了可复用的三项效率组件（记忆压缩、混合模态、潜在推理）。其局限在于论文聚焦电商场景，方法在内容推荐、社交分发等其他场景的迁移效果仍待进一步验证。报告已发布在 arXiv（编号 2607.15591），可供研究者与工程团队参考。