GenPage 是 Netflix 開發的生成式 AI 系統，用以取代傳統多階段推薦管線，直接 生成個人化使用者首頁。GenPage 利用使用者歷史與請求脈絡作為提示，產生整個頁面，進而提升使用者參與度並降低服務延遲。

Netflix 先前的解決方案仰賴「複雜的多階段管線，包含候選生成與排序等獨立元件」。此程序會針對每列以及列中的每個實體重複執行，最後再由一個負責頁面佈局的階段完成。在 GenPage 中，則採用單一步驟方法，將項目選擇、列建置與佈局生成三個層級整合在單一模型中：

大型語言模型已證明，單一生成式模型只需透過生成回應來回應提示，即可執行多樣化任務。受此提示-回應範式啟發，我們訓練單一生成式模型，透過直接回答一個問題來建置首頁：

根據我們對此使用者與此請求所知的一切，我們應該產生什麼樣的首頁，才能最大化使用者滿意度？

除了將工作流程簡化為單一步驟，GenPage 還透過全頁面最佳化超越先前方法。透過訓練後強化學習 (RL)，它不僅能考量單一列內的互動，還能跨列與項目層級進行考量：

例如，位於頁面頂端的「繼續觀看」列可能強烈滿足使用者的立即需求，但也會降低使用者瀏覽頁面的程度。

Netflix 也強調，GenPage 在適應不同內容類型上更具彈性，且更容易擴展至新的產品體驗與佈局變化。

從實際上線使用的兩個關鍵發現是：豐富提示帶來的影響大於擴展模型容量，而訓練後的 RL 帶來額外且意料之外的好處——提升首頁多樣性與客製化程度。更具體地說，Netflix 工程師觀察到，雖然將模型從 1.2 億參數擴展到 9 億參數，以及強化提示都能改善效能，但提示豐富化帶來的增益更大：

兩者之間的差距相當明顯。將模型從 1.2 億參數擴展到 9 億參數，大約可降低 1.3% 的 WBC 損失，而累積豐富化脈絡的效益則約為 6.9%。在多個案例中，單一設計良好的脈絡新增所帶來的改善，超越整個約 7.5 倍模型容量擴展的效益。

然而，他們也指出，脈絡豐富化會有遞減效益：一旦輸入脈絡達到飽和，擴展模型容量很可能成為進一步改善的主要驅動力。更廣泛地說，他們認為在其他產業規模的個人化情境中，提示豐富化可能比模型擴展更有效。

GenPage 的效益已透過 A/B 測試驗證，顯示在核心使用者參與度指標上有統計顯著的改善。GenPage 帶來的另一大優勢是端對端服務延遲降低 20%，這與生成式模型天生較慢的常見假設相反。

原始文章中還有更多細節無法在此涵蓋，包括系統的設計、訓練與訓練後流程，以及遇到的權衡與經驗教訓。請務必閱讀完整文章以獲得全面概觀。

About the Author

Sergio De Simone