美团以统一推荐基座支撑多场景推荐

美团以 MTFM 构建服务于多个业务主场景的统一基座推荐大模型，替换各业务各自的独立精排模型并完成了全量上线。MTFM 是基于 Transformer 的框架，针对工业推荐系统多场景、现有跨域（CDR）与多场景（MSR）方法需大量资源且要求严格输入对齐的限制，采用「不预先对齐输入」的路线：把跨域数据转换为异质 Token，以无对齐方式捕捉多场景知识。训练效率侧引入多场景用户级样本聚合机制显著减少总实例数、提升训练吞吐量；模型侧融合 Grouped-Query Attention 与定制化 Hybrid Target Attention，降低内存占用与计算复杂度；系统侧做 kernel 融合、消除 CPU-GPU 阻塞等优化，进一步提升训练与推理吞吐。在外卖等场景的离线与在线实验均验证了有效性，证明扩展模型容量与多场景训练数据可带来显著性能提升。 后续材料（2026-09-22）：美团在生成式精排框架 MTGR 基础上提出统一推荐基座大模型 MTFM，首次把外卖多个主要业务（外卖首页、拼好饭等长期独立建模的场景）统一为一套精排模型并在各核心场景完成全量。模型以类 Transformer（多层 HSTU）骨干端到端建模：用异构 Tokenizer 把多业务输入统一为 H-Token（跨业务历史行为）、R-Token（近实时行为）、T-Token（待预估目标）三类 Token，免去人工对齐特征模板；用动态掩码控制跨场景与时间因果的可见性，防止信息泄漏；借鉴 LLM 混合注意力，采用 Target:Full=3:1 共 16 层结构并引入 GQA，再以 Target Scale-Up（AutoSplit 拆分为 4 个 Target Token、独立 Q Projection 与 SwiGLU FFN、RankMixer 做 Token Mixing）做参数扩展；训练侧采用 User-Level 统一样本与统一行为序列、深度感知初始化、Muon 优化器、按 PV 占比动态加权损失与梯度累积；工程侧自研 FA 镜像与 Mask Kernel、GLN 融合算子、批量化 Newton-Schulz、消除 Host/Device 阻塞点，并在推理侧做查表合并、Maskfunc 规则跳算、GLN 自定义算子与推理图精简。效果上，各业务离线 GAUC 全面超越 MTGR/DLRM 基线，跨场景迁移使小流量业务提升 0.60~0.93pp、中流量提升 0.25pp；线上 MTFM V1 已在美团外卖多个业务完成全量，订单量提升 2.06%~6.68%，最显著业务线订单增长超过 6%，在线推理成本降低 24.0%，单样本计算量 192 GFLOPs（较传统 DLRM 提升数百倍）。