Яндекс Sona объединяет подбор и порядок треков в одной модели

1 октября 2026 года Яндекс представил Sona, генеративную модель, которая ищет подходящие треки и определяет порядок рекомендаций. В семидневном A/B-тесте на умных колонках с Алисой она заменила систему из десятков алгоритмов.

По данным компании, относительно контрольной группы время прослушивания выросло на 6,30%, число лайков на 11,42%, активная аудитория на 4,53%. Это результаты конкретного музыкального сценария, а не измерение всех рекомендаций Яндекса.

Зачем объединять поиск и ранжирование

В прежней схеме сначала более пятнадцати алгоритмов подбирали кандидатов. Затем модель предранжирования сокращала список, а финальное ранжирование решало, что прозвучит раньше. Разные части обучались отдельно, хотя пользователь слышал результат всей цепочки.

У такого подхода есть неудобство: улучшение первого этапа может потеряться на следующем. Хорошо найденный трек отсеется или окажется далеко в конце списка. Поэтому изменение отдельной модели приходится проверять вместе с остальной системой.

Sona использует общее представление истории слушателя для поиска и оценки. Модель анализирует прослушивания, пропуски и лайки, а затем применяет полученный результат в обеих частях задачи. Яндекс разработал архитектуру и обучил модель с нуля на собственных данных.

Как найти трек без перебора всего каталога

Каждой композиции заранее назначают Semantic ID, короткий составной код. При его построении учитывают первые девяносто секунд аудио, метаданные и данные о поведении слушателей. Начало кода может совпадать у похожих композиций.

По истории пользователя модель генерирует такой код по частям. С каждым следующим элементом круг подходящих треков сужается. Затем система находит соответствующие композиции в каталоге.

Одному коду могут соответствовать несколько треков. Они попадают в кандидаты для следующего этапа, где внутренний модуль Sona сопоставляет композиции с историей слушателя и выставляет оценки.

Таким образом, сходство треков участвует и в их поиске, и в определении порядка. Но за коротким кодом всё ещё стоит обычный каталог с конкретными композициями, а не генерация новой музыки для пользователя.

Большая модель помогает только при обучении

Чтобы научить Sona оценивать рекомендации, команда использовала более крупную модель-учителя. Её обучили на годовой истории действий слушателей: прослушиваниях, пропусках, лайках и дизлайках.

Дальше обе модели оценивали одни и те же композиции для одной истории пользователя. Sona подстраивалась так, чтобы приблизить свои оценки к результатам учителя. При выдаче рекомендаций в работающем сервисе учитель уже не нужен.

Это разделяет дорогие вычисления во время обучения и быстрый подбор музыки для слушателя. Более крупная модель помогает сформировать обучающий сигнал, но не добавляется ещё одним обязательным шагом каждого пользовательского запроса.

Обновление каждые десять минут не означает мгновенное обучение

Пока одна копия Sona подбирает музыку, другая обучается на свежих действиях. Обновлённая версия поступает в сервис каждые десять минут. Однако новые данные сначала нужно собрать и обработать.

По измерениям Яндекса, путь от действия слушателя до работающей версии, которая его учла, занимает 45 минут по медиане и не больше часа в 99% случаев. Поэтому отдельный лайк не обязан изменить поведение модели уже через десять минут.

При подготовке данных сохраняют порядок событий. Реакция на рекомендацию используется как результат для обучения, но не должна заранее попасть в ту историю, по которой модель выбирала этот трек. Иначе она получила бы подсказку из будущего.

Что ещё предстоит проверить

В эксперименте пользователей случайно разделили на две группы по 15% аудитории. В одной работала прежняя система, в другой Sona. Сценарий ограничивался запуском музыки на колонках без явно заданного исполнителя, жанра или настроения.

Перед широким внедрением команда планирует проверить устойчивость эффекта на протяжении месяцев и другие музыкальные сценарии. Применение подхода в Яндекс Рекламе тоже названо планом, а не завершённым результатом.

Sona показывает, как одна обучаемая система может объединить поиск кандидатов и их ранжирование. Первый тест дал положительный результат, но перенос эффекта на другие продукты и длительную работу требует отдельных проверок.

Об объединении поисковых сигналов в базе данных: гибридный поиск в YDB 26.3.

Источники и ссылки


Комментарии загружаются…