2025 年 11 月 12 日，网易云音乐生成式推荐大模型 "Climber" 正式荣获全球学术会议 CIKM2025 应用类最佳论文奖。据悉，ACM CIKM 由美国计算机协会（ACM）和信息检索专业委员会（SIGIR）发起，是信息检索和数据挖掘领域顶级学术会议之一。网易云音乐以独立研发主体身份，在国际推荐算法领域斩获最佳论文奖，标志着中国企业在推荐系统领域的技术创新获得全球学术界和工业界的认可。

网易云音乐生成式推荐大模型 "Climber" 是国内深度融合大模型生成式技术与推荐系统的标杆性成果。该模型在推荐场景中系统性破解了 Transformer 架构的 scaling law 缩放难题，创新采用多元混合序列建模方案与全新多任务学习范式，不仅实现了技术层面的突破性进展，更为工业界提供了可直接复用的推荐系统优化新范式，具备极强的实践参考价值。

Best Applied Paper Award 证书

当日，韩国首尔，CIKM 2025 颁奖典礼现场，网易云音乐算法团队凭借生成式推荐大模型 Climber 荣获大会 "Best Applied Paper Award" 最佳论文奖，获奖概率不到千分之三。该奖项评选标准极严，需经全球顶尖学者多轮评议，要求论文在理论深度、技术创新、实验严谨、写作质量及产业落地等维度全面领先。今年与网易云音乐同台竞技者包括 Google、Amazon、Meta、Microsoft、Airbnb、字节、腾讯、阿里、快手等全球科技巨头，以及 MIT、Stanford、CMU、清华、北大等世界顶尖高校，竞争异常激烈。

CIKM 颁奖现场

网易云音乐团队代表在 CIKM 晚会上登台领奖

Transformer 作为自然语言处理（NLP）领域的 " 明星架构 "，是 GPT 等生成式大模型的核心基石，其凭借自注意力机制对序列依赖关系的强大捕捉能力，在语言理解任务中表现卓越。然而，当将其迁移至推荐系统场景时，却面临 " 长序列建模能力不足、多业务场景适配性差、推理效率偏低 " 等一系列核心挑战，成为制约推荐系统性能突破的关键瓶颈。

比如，推荐领域的用户行为天然具有不确定性。用户可能早间聆听摇滚、午间切换至轻音乐、晚间转向民谣，这类行为缺乏固定 " 语法 " 逻辑，甚至夹杂误点歌曲等噪声数据，与 NLP 语言序列的强逻辑性截然不同；同时，不同推荐场景的用户行为模式差异显著，传统 Transformer 架构难以适配这种场景分化：例如 " 每日推荐 " 需深度挖掘用户长期偏好，" 私人漫游 " 则更侧重捕捉近期互动轨迹。在此情形下，若单纯追求 Transformer 模型的规模扩容，不仅会陷入用户核心兴趣难以精准捕捉、多场景适配能力不足的困境，还会面临离线训练效率低下、在线推理延迟过高等工业落地难题，最终严重影响用户的实际使用体验。

CIKM 会议期间技术报告现场

网易云音乐算法团队在 CIKM 会上发表技术报告，深入剖析了获奖论文《Climber: Toward Efficient Scaling Laws for Large Recommendation Models》的核心创新。报告详细阐述了团队如何攻克以上困难，通过多项算法技术突破，实现了让生成式大模型 " 听懂 " 音乐，为推荐系统的高效规模化发展提供了全新解决方案。

网易云音乐 Climber 模型架构

网易云音乐生成式推荐大模型 "Climber" 的核心思路是基于推荐场景的特点，重构 Transformer 的关键模块。具体来说，它包含三大核心创新组件：多尺度序列提取（MSE）、自适应 Transformer 层（ATL）、逐位门控融合（BGF）。这三个组件环环相扣，分别解决 " 长序列计算效率 "、" 多场景适配 "、" 多兴趣融合 " 的问题。

在这种算法模型建构的基础上，网易云音乐生成式推荐大模型 "Climber" 实现了更高效的 Scaling law 效率（Scaling Law 是指模型性能会随着数据量、参数规模和计算资源的同步扩大而呈现可预测的提升趋势 ），并进一步揭示了在同等算力（模型执行浮点运算的总次数 FLOPS）情况下，需要在 Transformer 层数（Layer Number）和序列长度（Sequence Length）两个方向的 Scaling up 保持相对均衡的条件下，才能带来效果最优的结果。

另外，"Climber" 还同时从 " 架构设计 - 加速技术 - 资源分配 " 三个层面协同优化，让推荐模型既能 " 变大 "（捕捉更多信息），又能 " 跑快 "（控制资源消耗）。而此前，行业内的解决方案存在明显短板，没有形成 " 效果 - 效率 " 双优的闭环，无法满足工业级推荐 " 大 " 和 " 快 " 兼备的需求。

目前，网易云音乐生成式推荐大模型 "Climber" 已全面应用于网易云音乐的心动模式、每日推荐、私人漫游、歌单推荐、新歌推荐等核心场景。以用户最熟悉的 " 每日推荐 " 场景为例，"Climber" 上线后红心率和每小时红心行为数据均有大幅提升，能显著改善用户体验。同时，该模型也成功复用于会员推荐等多元业务，帮助业务效率实现显著提升。"Climber" 实验测试期间，测试用户普遍反馈每日推荐的歌曲结果质量更高，每天打开 App 都有更精准新鲜的好音乐。

凭借卓越的泛化能力，网易云音乐生成式推荐大模型 "Climber" 的架构设计已被多家行业平台借鉴，成为推荐大模型工程化落地的标杆范式，进而引领行业技术路线。据了解，凭借精准的个性化推荐能力，网易云音乐被誉为 " 最懂你的音乐 APP"，其多项推荐算法创新成果接连登陆 KDD、CIKM、WWW、ICDM、DASFAA 等全球顶尖学术会议。随着推荐系统向更复杂、更多样的方向发展，网易云音乐将继续推动推荐技术向 " 更精准、更高效、更个性化 " 的目标迈进，持续引领音乐推荐体验升级。