devgo.cn在数据挖掘顶级会议KDD 2026上，美团一口气发表了8篇论文，并拿下KDD Cup冠军。这些工作覆盖推荐、搜索、广告、物流、训练框架，每个都是工业级硬核技术。当推荐系统需要同时服务外卖、到店、酒旅等数十个业务场景时，传统做法是每个场景训练一个独立精排模型，维护成本高且无法共享知识。美团最新提出的MTFM（Meituan Foundation Model for Recommendation）试图用一套统一模型搞定所有场景，而且不需要对齐输入特征——这打破了跨域推荐通常需要特征映射的惯例。MTFM将各场景数据转化为异构Token（类似不同语言的词汇），通过Transformer框架无对齐地学习多场景知识，同时引入多场景用户级样本聚合大幅减少训练实例数，配合Grouped-Query Attention（分组查询注意力，降低内存占用）和Hybrid Target Attention（混合目标注意力，针对不同预测目标定制），在外卖等场景全量上线后验证了显著性能提升。
除了推荐基座模型，美团在奖励建模、Agent搜索、广告竞价等方面也有突破。CDRRM框架解决了奖励模型的黑箱和偏见问题——传统RLHF（基于人类反馈的强化学习）中的奖励模型需要大量标注且难以解释，CDRRM通过对比好/差回答自动生成评分准则，让评判模型更可靠，仅用3000样本就让未微调模型超越全量微调基线，同时缓解了话痨、位置等偏见。
针对本地生活服务的AI搜索，现有基准大多聚焦网页搜索，而本地生活涉及多跳推理（比如"找一家评分4.5以上、有包间的川菜馆"），美团构建了LocalSearchBench，包含国内9座城市、6大服务品类、900道多跳问答任务，并配套交互环境LocalPlayground和检索工具LocalRAG。评测16款主流大语言推理模型后发现，当前模型表现普遍不佳，信息完整性和可信度不足，这为Agent搜索的改进提供了明确方向。
广告技术方面，JTransNet解决了联合广告拍卖中匿名性和确定性分配不可兼得的难题——匿名性要求拍卖结果仅依赖竞标价值，确定性要求同样输入下结果唯一。JTransNet通过可微分的NeuralSort排序方法（NeuralSort是一种可微分的排序网络，使排序操作可参与梯度传播）实现端到端自动化拍卖，已在美团零售全量上线，提升了广告收益和流量分配公平性。
此外，GRAD自动竞价基础模型用条件生成模型（Transformer和扩散模型）直接生成竞价轨迹，通过动作混合专家模块（MoE，混合专家模型，让不同专家处理不同类型竞价行为）实现多样化探索，并结合因果Transformer进行约束优化，应对离线与在线分布偏移。
HMAF框架则统一了保证交付（GD）合约和实时竞价（RTB）的曝光分配，采用"规划-校准-执行"范式，在多坑位环境中做出列表级排序决策。
训练系统方面，MTGenRec基于PyTorch生态构建了统一稀疏-稠密训练框架，针对推荐模型的海量稀疏ID用动态Hashtable（动态哈希表，支持ID动态增删，无需预先分配固定表）替代静态表，解决ID动态上下线问题，并通过自动合表、ID去重、变长序列负载均衡等技术，实现1.6倍~2.4倍训练加速，从8卡扩展到128卡保持近线性扩展效率，已在美团多个核心场景落地。
即时物流ETA预估场景中，UME框架用元学习统一跨域预估到达时间，解决新市场冷启动零样本预测问题。UME设计统一双分支网络和基于超网络（超网络是一种生成网络权重的网络，用于动态调节模型参数）的元学习机制，通过域级知识和实例级上下文动态调制特征门控、专家注意力和最终预测，并引入知识蒸馏弥合特征缺失，在离线与线上实验中均优于现有方法，已在Keeta等国际化平台应用。
最后是KDD Cup 2026 DataAgents赛道冠军方案。比赛要求智能体接收多模态数据包（数据库、PDF、JSON、图表、视频等），针对高层次自然语言问题自主完成复杂推理。美团团队将内部"问点仔"产品的Agent Harness（智能体运行框架，提供工具调用、状态管理等基础能力）能力迁移过来，构建了完整的Agent运行时，支持多类型文件自主探索和SQL、Python等工具选择与执行，通过错误反馈、超时控制、自动重试提升长链路稳定性。
针对视频和非结构化文档，还构建了多模态视频理解子智能体和非结构化文档ETL（数据抽取、转换、加载）子智能体，增强数据提取与综合分析能力。最终从全球队伍中突围获得冠军和季军，相关代码已在GitHub开源。
这些工作覆盖了从推荐、搜索、广告到物流、训练框架的完整技术栈，每个问题都来自真实业务场景，解决方案都经过线上验证并全量上线。对开发者来说，可以重点关注MTFM的无对齐多场景建模思路（适用于任何多域任务）、CDRRM的对比驱动奖励生成（可提升模型对齐效率）、以及Agent方案中的错误恢复机制（长链路Agent的必备能力）。这些技术不仅美团能用，任何面临规模化、多场景挑战的团队都能借鉴。
内容与图片版权归原作者所有 · 原文: https://tech.meituan.com/2026/08/13/KDD-2026-meituan-papers.html