针对得物交易推荐“4大核心场景 + 50余个细分场景”的多层级独特生态，本演讲聚焦大模型时代排序模型的Scaling Up挑战。在剖析业界探索的基础上，重点阐述得物如何构建统一的排序大模型，以应对极致的场景异构性。方案通过跨域联合建模与MoE-Transformer融合架构，系统性解决数据、特征及训练推理难题，实现模型从千万到十亿级的平滑扩展。最终在显著提升推荐精准度的同时，为得物数十个差异化业务场景带来了整体的成本控制与业务增长。

演讲提纲：

1. 背景与挑战：推荐排序模型的Scaling Up困境
2. 业界突破Scaling Law的探索与启示
3. 得物电商多场景排序大模型统一架构设计（数据、特征、模型结构、训练优化、推理优化）
4. 落地效果与关键数据（脱敏）
5. 总结与展望

听众收益：

• 了解推荐排序模型突破Scaling Law瓶颈的前沿架构：包括MoE、轻量级Transformer、场景自适应建模等，可直接应用于自身业务
• 掌握大规模稀疏模型训练与推理的系统优化技巧：混合半精度、KV Cache、专家并行、INT8量化、结构化剪枝等，学会如何让十亿参数模型在有限资源下稳定运行
• 学习跨场景联合建模的实践经验：若你负责多场景/多任务推荐，可获得样本对齐、特征共享、场景差异建模的具体解法
• 获得效果与成本平衡的决策参考：了解参数规模从千万到十亿的真实收益曲线和资源增量，帮助评估何时投入大模型升级