End_To_End 之于推荐onerec里，快手利用大模型做了推荐架构的革命，几个月后，v2之于v1是一些技术细节进行了进一步迭代，主要是以下两个方面：
1. 架构层面的突破：Lazy Decoder-Only
背景问题：V1 的 Encoder-Decoder 架构里，97.66% 的算力都消耗在 context encoding，真正用于生成推荐结果的部分只有 2.34%，导致算力浪费、扩展性差。
改进方案：提出 Lazy Decoder-Only 架构，彻底移除 encoder，context 只作为静态条件输入，通过轻量 cross-attention 与 GQA（Grouped Query Attention）完成交互。
效果：
- 计算量减少 94%，训练资源消耗下降 90%。
- 在同样计算预算下，模型参数可以扩展到 8B。
- 训练 loss 随模型扩展呈现一致下降趋势，验证了 scaling law 的可行性。
- 内存占用降低，支持长上下文（从 512 扩展到 3000）。
- 结合 MoE（4B 总参 / 0.5B 激活），进一步平衡算力与性能。
2. 偏好对齐：基于真实用户反馈的 RL
V1 局限：仅依赖 Reward Model，会遇到抽样效率低、奖励欺骗（reward hacking）等问题。
V2 改进：Duration-Aware Reward Shaping
直接使用用户反馈作为reward：将视频播放时长与用户历史的同类时长 bucket 对比，取分位数作为 engagement score，避免“长视频天然更高播放时长”的偏差。
GBPO (Gradient-Bounded Policy Optimization)
改进 RL 的 ratio clipping，结合 BCE 的稳定梯度，防止负样本导致梯度爆炸。
不丢弃样本 → 保持探索多样性；梯度有界 → 训练更稳定。
自举式优化：直接利用 OneRec 自身曝光的流量样本做 on-policy 训练，实现自我改进。
对比结果：
- Reward Model → 偏向互动指标（like/comment）。
- User Feedback → 偏向停留时长（App Stay Time）。
- Hybrid → 指标均衡，避免 seesaw 效应。
3. 线上 A/B 测试结果
在快手主站 & 极速版 5% 流量实验中（400M DAU）：
App Stay Time：+0.467%（主站） / +0.741%（极速版）
LT7（7 日生命周期）：+0.069% / +0.034%
互动指标全面提升：like、follow、comment、collect、forward 全部正向改善
推理部署：1B 模型，context=3000，MFU 达 62%，延迟仅 36ms（20×A100 GPU）。
最后，给出一个对比表：
| 维度 | OneRec-V1 | OneRec-V2 | 改进点总结 |
|---|---|---|---|
| 模型架构 | Encoder-Decoder | Lazy Decoder-Only | 移除 Encoder，计算集中在 Decoder，减少 94% FLOPs |
| 算力分配 | 97.66% 用于 context encoding，仅 2.34% 用于生成 | ≈100% 用于 target decoding | 解决算力浪费问题，提升 scaling 潜力 |
| 扩展能力 | Decoder 参数比 Encoder 多，但受算力瓶颈限制，难以扩展 | 支持扩展到 8B 参数，MoE 版本 4B 总参（0.5B 激活） | 高效扩展，更接近 LLM 的 scaling law |
| Cross Attention | 标准 cross-attention（KV 投影 + 多头） | Lazy Cross-Attention（去掉 KV 投影，KV-Sharing + GQA） | 降低内存 & 计算开销，支持长上下文（3000） |
| 训练数据组织 | User-Centric / Encoder-Decoder 组织，存在冗余和泄漏风险 | Chronological + 仅最新 impression 计算 loss | 减少冗余训练，避免时间泄漏 |
| RL 策略 | 仅基于 Reward Model（DPO/ECPO） | User Feedback 信号驱动 + Duration-Aware Reward + GBPO | 避免 reward hacking，提升真实偏好对齐 |
| Reward 设计 | Proxy Reward（容易被模型利用） | Duration-Aware Reward Shaping（分位数归一化） | 去除长视频偏差，更好反映质量 |
| 优化算法 | ECPO（早期裁剪） | GBPO（梯度有界 + 全样本利用） | 稳定性更高，不丢弃样本，探索更多样 |
| 自举优化 | 流量较小，主要依赖传统 pipeline 样本 | OneRec 曝光占流量 25%，可用自生成样本 on-policy 训练 | 实现 self-improvement |
| 线上效果 (主站) | App Stay Time +0.269% | App Stay Time +0.467%，LT7 +0.069% | 明显提升，平衡 seesaw 效应 |
| 线上效果 (极速版) | App Stay Time +0.163% | App Stay Time +0.741%，LT7 +0.034% | 效果更显著 |
| 互动指标 | 偏向提升 Like / Comment | 全面提升（Like、Follow、Comment、Collect、Forward） | 多目标更均衡 |
| 推理效率 | MFU 较低，部署成本高 | MFU 62%，延迟 36ms（1B 模型，20×A100） | 接近 LLM 部署效率，成本降低 |
)
