百度广告在线部署GRAB生成式排序框架

百度商业技术团队以大语言模型的规模化经验为启发，把生成式排序建模范式引入广告 CTR 预测，将用户序列建模重塑为第一级结构，并在百度广告线上核心场景部署。方法上三处关键设计：一是端到端生成式框架，把 CTR 预测重构为生成式排序范式，降低对传统 DLRM 显式特征工程与复杂组件堆叠的依赖，使建模路径更统一可扩展、增强对长历史交互信息的吸收。 二是因果动作感知多通道注意力 CamA，在多通道注意力结构中显式刻画用户行为序列的动作信号与时空关系，捕捉「时序动态 + 行为动作」的耦合信息。三是面向规模化的「先序列、后稀疏」（STS）训练组织方式，在保证序列建模能力的同时兼顾稀疏特征与训练效率，为工业级大规模 ID 特征与自回归序列化训练部署提供可落地路径。 线上结果显示 GRAB 相较既有 DLRM 体系收入提升 3.05%、CTR 提升 3.49%，并呈现出随交互序列变长、模型尺寸变大而单调近似线性增长的 Scaling 表现。正文未给出部署的起止时间、流量占比、基线模型版本与绝对指标。