TL;DR

小红书（Xiaohongshu）的研究团队提出了一种名为 IDProxy 的新框架。它不仅解决了新笔记、新广告上线时的“冷启动”预估难题，还成功将 Multimodal LLM (MLLM) 的强大语义能力转化为了生产环境中的 CTR（点击率）增量。通过两阶段的 Coarse-to-Fine 对齐方法，IDProxy 在不改变现有架构的前提下，实现了 MLLM 语义空间与推荐系统 ID 空间的完美融合。

背景定位：这是一项极具工程落地参考价值的工业级 SOTA 工作，成功在日活数亿的真实场景（小红书发现页信息流与展示广告）中上线。

痛点深挖：语义空间 vs. 协作空间

在工业级推荐系统中，排序模型（Ranker）主要依赖 Item ID Embedding。这些 ID 嵌入捕捉的是协同过滤信号，即“谁看过、谁买了”。

• 新内容的死结：新笔记刚发布，没有交互，ID 嵌入就是随机抽取的初值，模型根本无法判断其潜力。
• 语义鸿沟：虽然我们可以用 CLIP 或其他模型提取图像、文本特征，但如图 1 所示，工业界的 ID 空间分布非常“杂乱（Irregular）”，不像学术数据集（如 MovieLens）那样有明显的聚类结构。简单的线性映射（MLP）根本无法填补这种异构空间之间的断层。

图 1：左侧学术数据集 ID 聚类明显，右侧小红书生产环境 ID 分布复杂，对齐难度极高。

核心机制：IDProxy 的两阶段进化论

为了让 MLLM 生成的特征能“像 ID 嵌入一样好用”，IDProxy 设计了两个关键步骤：

1. 粗粒度代理生成 (Stage 1: Coarse Alignment)

第一步是“大方向对齐”。

• 预处理：由于冷启动关注的是新内容，作者先筛选出已经“活了”的高频 Item ID 作为目标锚点。
• 对比学习：利用 MLLM（如 InternVL）编码图文信息，通过一个专门的 [EMB] Token 聚合信息，并使用 Contrastive Loss 将 MLLM 输出的空间强行拉向 ID 嵌入空间。这样，我们得到了一个初步的“代理 ID（Proxy ID）”。

2. 细粒度 CTR 感知对齐 (Stage 2: Fine-grained Refinement)

如果只停留在第一阶段，那它只是一个更好的编码器。IDProxy 的精髓在于第二阶段的**“结构复用”**。

• 层级分区提取：研究发现 MLLM 的不同层蕴含不同深度的语义。IDProxy 通过 K-means 将 MLLM 的几十层 Transformer 划分为三个子群（浅、中、深），全方位提取特征。
• 轻量级适配器：引入一个极小的 Adaptor 和 残差门控模块 (Residual Gating)。
• 端到端联调：将提取的特征注入到主排模型的原子位（Feature Interaction 和 Target Attention）。这意味着 MLLM 特征可以像原生 ID 一样，享受主模型中复杂的序列建模能力。

图 2：IDProxy 的两阶段框架图，展示了从 MLLM 层级提取到 Ranker 注入的全过程。

实验与结果：冷启动性能翻倍

实验证明，IDProxy 的每一层设计都有其必要性：

• 结构复用的威力：仅将 MLLM 特征作为普通特征输入（v4）提升有限，但当它被注入到 Ranker 的核心 ID 位并复用其结构先验时（v5），AUC 提升显著增加。
• 冷启动奇效：针对发布 24 小时内的“新笔记”，IDProxy 带来的在线 AUC 提升（+0.23%~0.32%）是全量流量（+0.12%~0.15%）的两倍以上。

表 1：消融实验显示，只有在 Stage 2 同时开启端到端训练与结构复用时，性能才达到最优。

在小红书的线上 A/B 测试中：

• 内容流：用户点击（Reads）提升 0.39%，互动量提升 0.5%。
• 广告流：广告主消耗（COST）提升 1.73%，广告价值提升 1.93%。

深度总结与展望

IDProxy 给工业界带来的最大启示在于：不要试图用 LLM 替换现有的推荐模型，而是要让 LLM 学习如何成为由于数据缺失而受损的 ID 的“完美替身”。

局限性与挑战

1. 推理开销：尽管适配器很轻量，但 MLLM 的实时推理成本依然很高。小红书通过离线计算写入 KV 存储的方式解决了这个问题，但对于瞬时响应要求极高的场景仍有挑战。
2. 动态性：ID 空间是随训练不断漂移的，Stage 1 的静态对齐可能需要更频繁的重刷。

未来启示

随着多模态大模型的推理成本进一步降低，我们可以预见，未来的推荐系统将不再受限于“交互历史”，每一个新产生的创意、每一个刚拍摄的视频，都能通过 IDProxy 这种架构，在上线的第一秒就找到最懂它的用户。