Uber Eats 排序模型每秒 800 万次预测,工程团队公开特征一致性方案
AxSaucedo · x · 2026-09-29
Uber 工程团队发文介绍其特征一致性框架(feature logging),解决训练与推理特征不一致问题。Uber Eats 排序模型每秒服务约 800 万次预测。
问题:
- 生产环境模型实际读到的特征值与训练时可能不同:来源、格式(如 en vs en-US)、计算逻辑差异
- 不一致降低模型效果、增加调试成本,严重时影响服务可靠性
目标与方案:
- 让推理时使用的特征成为下一轮训练的特征,建立特征的单一事实来源(single source of truth)
- 通过 feature logging 框架,从在线推理管道直接产出训练数据,形成训练数据飞轮
- 在线特征包括用户会话信息(userid、语言)、餐厅元数据、预计算行为特征(历史点击/下单)等
「Infra」频道最新
- antirez：企业配额用完别慌，自建 DGX Spark 与 Mac Ultra 机群托底 — antirez · 2026-09-29
- Ornith-1.5 三款模型开源 DFlash 投机解码草稿权重 — jacek2023 · 2026-09-29
- 黄仁勋问答称英伟达股票被低估，未来将回购数千亿美元 — firstadopter · 2026-09-29
- Transformers 原生支持运行 llama.cpp GGUF 量化模型 — ariG23498 · 2026-09-29
- Qdrant 推出 Constella 研究预览，换查询嵌入模型无需重建全部向量 — qdrant_engine · 2026-09-29
- 124M 小模型配 65B embedding，研究员戏谑提出 AFED 分离架构 — YouJiacheng · 2026-09-29