TAAC大赛落幕：推荐系统技术突破与人才培养

在韩国济州岛举办的KDD 2026大会现场，这场从春季启动的全球算法竞赛终于落下帷幕。本次赛事共诞生两支冠军战队，分别拿下学术赛道与工业赛道的头名。

本次赛事总奖金池超过88.5万美元，折合人民币约600万元。其中学术赛道的单项冠军奖金创下国内企业技术竞赛的最高纪录，仅30万美金的单项奖就足以体现赛事的分量。

KDD Cup的全球主场时刻

作为数据挖掘领域的顶级赛事，KDD Cup自1997年创办以来，一直由全球科技巨头主导赛题。能够跻身该赛事前列，是算法实力的权威背书。

本届赛事由腾讯广告算法大赛作为官方主赛道落地，这并非国内企业首次主导KDD Cup赛题，但却是首次以完整的赛事运营方身份，将真实产业场景的问题推向全球赛场。

本次赛事吸引了52个国家和地区的近14000名选手，组成5700多支队伍，来自全球907所高校。参赛选手的学术与工业界比例约为7:3，既有高校实验室的研究团队，也有来自企业的算法工程师。

作为创办于2017年的国内赛事，该算法大赛已经走过七届，从最初的国内行业赛事，逐步升级为KDD Cup的官方主赛道。本次赛事中，主办方全权负责赛题设计、真实业务数据提供与赛制规则制定，无论是奖金规模、算力支持还是参赛人数，都创下了赛事的新纪录。

而本次赛事真正的突破，在于数据层面的开放：主办方拿出了营销体系每天服务数十亿用户的真实脱敏数据，包含100多个特征字段，规模远超学术界现有公开基准数据集。长期以来，推荐系统领域一直面临公开数据集太少、太旧、量级不足的痛点，这也是制约行业发展的核心瓶颈之一。本次赛事首次将真实的工业级数据带到全球学术竞赛舞台，为推荐系统领域的研究提供了全新的实验基础。

直击推荐系统的核心痛点

本次赛事的赛题看似学术化，实则直指工业界多年未解决的核心难题：面向大规模推荐的序列建模与特征交互统一化。

不同于过往的竞赛，本次赛事要求参赛者设计一个统一的单一同构Recommendation Block，在优化AUC指标的同时，探索推荐系统的Scaling Law，也就是模型规模与性能的线性增长关系。这一要求将原本各家企业闭门解决的工程问题，转化为全球学术界共同探讨的学术议题。

学术冠军：给推荐模型装上「导航系统」

拿下学术赛道冠军的lozyyeah战队，由三名来自同一实验室的成员组成：队长是博士二年级的罗同学，另外两位分别是即将升入大三的本科生张同学，以及刚加入实验室的研一新生顾同学。

罗同学表示，自己最初参加比赛的初衷，是希望通过目标导向的问题解决方式，快速进入科研状态。疫情期间的读研经历让他意识到，实战性的赛事是快速熟悉研究方向的有效路径，能够在有限时间内完成完整的问题解决流程。

该团队提出的方案名为CRAFT，核心创新在于特征传输。不同于过往专注于特征交互的研究思路，团队发现，仅靠特征交互不足以解决问题：当多个模型模块纵向堆叠时，有效信息会逐层衰减，在中间层出现信息坍缩。

这一思路的灵感来自罗同学正在开展的流匹配研究，他们将生成速度向量的思路迁移到推荐模型中，为每一层生成「意图向量」，引导特征信息沿正确方向传递。通过这一设计，特征信息在整个模型流程中都能保持丰富度，直到最终输出阶段才收敛为预测结果。

罗同学提到，比赛过程中，AI工具帮助团队碰撞灵感、落地想法，成为了团队的辅助帮手。当被问及奖金的使用计划时，他笑着说，比赛和科研的熬夜压力太大，之后打算拿着奖金好好休息一段时间。

工业冠军：先把问题问准，再去找答案

工业赛道冠军日之光面战队，成员实力强劲：其中一位是全球顶级竞赛社区积分榜的第一名，另一位则曾斩获15次国内算法竞赛冠军，还在2021年拿下过腾讯算法大赛的头名。

该团队提出的方案名为QueryFormer，核心思路是先优化查询问题的质量，再从行为序列中提取有效信息。他们认为，如果查询问题本身不够精准，即便拥有海量的行为序列数据，也无法提取到真正有价值的信息。

不同于常规的先拉长序列再提取信息的思路，该团队选择先让用户、广告与非序列特征充分交互，生成质量更高的查询Query，再基于这个优化后的Query从多域行为序列中检索与当前广告最相关的信息。

具体来说，QueryFormer通过五步优化实现这一目标：按字段边界拆分非序列特征、用分组模型进行处理、让用户侧与广告侧Token先经过自注意力再交叉交互，最后带着优化后的查询去多个业务域的序列中检索信息。其中最关键的改进是用跨注意力机制彻底替换了原本的查询生成方式。

最终，该团队以优异成绩拿下工业赛道冠军。值得一提的是，整个建模、代码开发与实验迭代过程，仅使用了轻量化的AI工具完成，技术文档的主体也由AI辅助撰写，仅在最终提交前做了一轮语言润色，全程没有依赖其他工具编写代码。

新手团队的逆袭与突破

Scaling Law原创突破奖颁给了gg团队，这是一支由两名大四本科生组成的队伍，也是本次赛事中为数不多的纯本科生参赛团队，这是他们第一次参加这类顶级算法竞赛。

比赛后期，不少选手发现直接加宽模型会导致性能不升反降，纷纷放弃了这一方向。但gg团队没有放弃，在初赛到复赛的阶段，他们完成了400到500次实验，让算力资源始终保持满负荷运行，训练的间隙阅读论文、复盘上一轮实验结果、构思下一轮的改进思路。

最终他们找到了突破点：在同时增大模型容量和条件信息的前提下，进一步增加维度，就能实现Scaling Law的性能提升。当被问及最适合自己的奖项时，队员王同学开玩笑说，应该颁给他们「实验最多奖」。

统一架构原创突破奖则颁给了T-Squared战队，这支队伍的成员背景十分特别：一位学习控制科学，一位学生物医学，第三位则从事生成式设计，三人的专业都与推荐领域无关，也没有任何相关的竞赛经验。

这支由两名本科舍友和一名初中同学组成的团队，依靠新手之间的协作完成了比赛。他们提出的UniBlock方案，将分散的推荐模块统一为一条流水线，并设计了分层记忆机制：全局记忆负责生成全局摘要，领域记忆则为每个行为域提取局部兴趣，解决了不同行为域强弱差异导致的信息压制问题。队员韩同学笑着给自己的方案起了个外号，叫「大杂烩奖」。

赛事背后的人才与行业价值

从赛事的结果来看，几乎每一支获奖团队都借助了AI工具来辅助开发，这也意味着，推荐系统领域的竞赛正在被AI重新定义。

而赛事的长期价值，并不在于颁奖的那一刻，而在于赛后对人才的挖掘与培养。作为赛事主办方，核心目标并非赛事本身，而是通过赛事搭建全球算法人才的交流平台，同时通过长效人才计划为获奖选手提供长期的成长支持，形成从人才发现、吸纳到培养的完整链路。

本届赛事同时完成了三项重要的行业突破：首先，将工业界的真实问题转化为全球学术议题，让原本闭门解决的工程问题成为全球研究者共同探讨的方向；其次，通过严格的赛事规则，将工业界真实的部署条件直接搬进赛场，让参赛方案具备真正的落地可行性；最后，通过赛事筛选出顶尖算法人才，为行业的下一轮竞争提前布局。

从最初的国内赛场到如今的全球顶会擂台，七届赛事的发展历程清晰地证明：广告技术并非AI的边缘应用，而是AI技术落地的最严苛试金石。十亿级流量、毫秒级时延、真金白银的商业结果，在这里验证通过的技术，在其他场景中也具备落地的可行性。而这块试金石，如今已经被放在了全球舞台的中央。

下一场赛事，我们再会。