Yandex Music
PulseAugur coverage of Yandex Music — every cluster mentioning Yandex Music across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
Yandex Music 用单一 Transformer 模型 Sona 取代了 15 个以上的推荐模型
Yandex Music 的研究人员开发了 Sona，这是一个单一的 Transformer 模型，旨在取代一个由 15 个以上的候选生成器、预排序器和排序器组成的复杂系统。在智能音箱上的 A/B 测试中，Sona 表现出显著的改进，活跃用户增加了 4.53%，总收听时间增加了 6.30%。该模型采用“历史压缩”技术来有效管理长事件序列，通过将事件分割成较旧和较新的块，并通过交叉注意力层和自注意力层进行交互来处理多达 8192 个事件。
-
Yandex 用单一生成式 AI 模型 Sona 取代推荐级联
Yandex 开发了 Sona，一个旨在通过将候选生成和排序整合到单一 Transformer 模型中来简化推荐系统的生成式 AI 模型。这种方法消除了通常在推荐级联中发现的多个单独训练模型的需要。Sona 已在 Yandex Music 智能音箱上进行了测试，取代了超过 15 个候选生成器和排序阶段。结果显示，在实际生产实验中，用户参与度显著提高，活跃用户增加了 4.53%，点赞量增加了 11.42%。
-
Yandex Music 的 Sona 推荐系统统一了生成和排序，提升了用户参与度 · 跟踪 2 个来源
研究人员推出了 Sona，一个专为 Yandex Music 设计的新型单一模型生成推荐系统。在在线 A/B 测试中，Sona 成功取代了一个复杂的、多阶段的生产级联系统，该系统包含超过 15 个候选生成器和多个排序模型。新系统围绕共享的用户表示统一了候选生成和排序，从而在关键的用户参与度指标方面取得了显著改进，包括活跃用户增加了 4.53%，总收听时间增加了 6.30%。
-
Gryphon-v2统一模型使Yandex Music用户增长1.41%
研究人员开发了Gryphon-v2，这是一种用于端到端推荐系统的统一生成和排序架构。该新模型通过一次性编码用户历史记录，然后在单个框架内生成和排序候选对象，从而简化了复杂的多级级联。通过从高容量教师排序器中蒸馏偏好，Gryphon-v2在Yandex Music的A/B测试中实现了与现有级联相当的服务延迟，同时使活跃用户增加了1.41%。
-
Yandex 研究比较推荐系统的 GNN 与端到端项嵌入
Yandex 的研究人员进行了一项大规模研究，比较了在基于 Transformer 的推荐系统中生成项嵌入的两种方法：预训练图神经网络 (GNN) 嵌入和端到端可训练嵌入。他们的研究结果表明，虽然预训练对较小的数据集有益，但对于在海量数据上训练的大规模模型，它没有带来显著优势。该研究使用了 Yandex Market 和 Yandex Music 的生产系统，并纳入了 Yandex Lavka 的一个低资源数据集。
-
Suno v5更新在AI音乐生成领域挑战Udio和Riffusion
2026年对Suno v5的评测探讨了其与Udio和Riffusion等竞争对手相比的能力，尤其是在其5.5版本更新之后。文章强调了AI生成的音乐在流媒体排行榜上的日益普及，并引用了一个俄罗斯项目，该项目凭借AI生成的歌曲登顶排行榜。文章旨在评估AI在俄语和英语各种流派和人声风格下音乐创作的质量。