Pinterest erstatter reiserute-gruppering med 4 milliarder-parameter Qwen3-språkmodell, rapporterer forbedret engasjement
12. november 2026 · 2 min lesing
Pinterest har erstattet sitt system for brukerreiserute-inferens fra en flertrinns-grupperings-rørledning med en finjustert språkmodell med 4 milliarder parametere. Selskapet rapporterer en forbedring på 1,1 prosent i e-postgjennomklikk og 1,3 prosent høyere push-åpninger.
I stedet for å gruppere søkeord inn i interesser, undersøker modellen brukerens aktivitetshistorikk for å identifisere langsiktige mål og mater disse reiseruter inn i Pinterests eksisterende anbefalingsinfrastruktur. Pinterest definerer en reiserute som et mål som forbinder interesser, intensjon og kontekst på tvers av flere økter. Noen som renoverer et kjøkken, kan for eksempel søke etter skapdesign, lagre benkeplateideer og senere utforske flisdesign eller belysning.
Pinterests tidligere system hentet søkeord fra brukeraktivitet, grupperte dem ved hjelp av innebygginger og hierarkisk gruppering, navngav de resulterende gruppene og rangerte dem med tilleggsmodeller og mangfoldighetsheuristikker. Selv om det var effektivt sammenlignet med tidligere interessebaserte varsler, kunne tilnærmingen fragmentere relaterte aktiviteter i separate reiseruter, produsere generiske etiketter eller forveksle tilfeldig engasjement med vedvarende intensjon.
Det nye systemet behandler reiserute-inferens som en genereringsoppgave. En finjustert språkmodell leser en kronologisk historie på opptil 150 brukerhandlinger over et 360-dagers vindu, sammen med en kompakt brukerprofil, og genererer et rangert sett med reiserute-navn. Søk- og lagre-handlinger får mer vekt enn tilfeldige klikk, mens instruksjonene instruerer modellen om å vurdere gjentatt engasjement, aktualitet og spesifisitet.
For å bygge systemet uten et omfattende menneske-merket datasett, brukte Pinterest grensemodeller til å generere syntetiske treningseksempler fra brukeraktivitetshistorikkene. Disse eksemplene ble brukt til å finjustere mindre åpen-vekt Qwen3-modeller gjennom overvåket finjustering og lavrangs-tilpasning. Teamet testet modeller fra 0,6 milliarder til 8 milliarder parametere og valgte 4-milliard-modellen for balansen mellom inferenskvalitet og betjeningsgjennomstrømning.
Kjøring av den resulterende modellen i Pinterests skala presenterte en separat ingeniørutfordring. Selskapet distribuerte NVIDIA Dynamo foran vLLM-arbeidere som kjørte på L40S-GPU-er, ved hjelp av kontinuerlig gruppering, PagedAttention og prefiks-cache-klar ruting for å forbedre inferenseffektiviteten. En av de største gjennomstrømningstforbedringene kom imidlertid fra å unngå unødvendig inferens helt. Systemet sporer når hver brukers reiseruter ble sist generert og hopper over brukere som ble behandlet i løpet av de foregående par dagene.
Pinterest evaluerer reiserute-kvalitet gjennom side-ved-side-sammenligninger, en separat språkmodell-dommer som vurderer relevans og støtte fra brukeraktivitet, og netteksperimenter. Innledende A/B-testing i USA og Canada produserte de rapporterte forbedringene på 1,1 prosent e-postgjennomklikk og 1,3 prosent push-åpninger sammenlignet med det grupperings-baserte systemet, sammen med statistisk signifikante gevinster innen engasjement og oppbevaring.