美团提出统一推荐基座大模型 MTFM，外卖多业务订单提升最高 6.68%
美团把外卖各业务原本独立的精排模型合并成一个基座大模型，验证了跨场景数据能撑起更大的推荐模型，同时把推理成本压下来 24%。
美团在 MTGR 基础上推出统一推荐基座大模型 MTFM（Meituan Foundation Model for Recommendation），首次把外卖多个主要业务的精排模型合并成一个。它用异构 Tokenizer（把各业务不同的特征统一编码成 Token 序列的组件）和动态掩码避开人工特征对齐，靠混合注意力在少数层做全局 Self-Attention、其余层做 Target Attention 控制算力。多个业务订单量提升 2.06%6.68%，在线推理成本降 24%，论文已被 KDD 2026 收录。
正文摘录
 MTFM：美团统一推荐基座大模型在外卖多业务场景的落地实践 搜索和推荐平台 2026-09-22 搜索推荐 大模型 美团在 MTGR 基础上提出统一推荐基座大模型 MTFM，首次实现外卖多个主要业务的统一精排模型。围绕规模可扩展性、场景可延展性与架构高效性三大挑战，MTFM 以异构 Tokenizer 与动态掩码实现多场景特征免对齐，通过混合注意力与 Target Scale-Up 提升模型 Scaling 能力，借鉴 LLM 优化实践提升深层网络训练效果，并以 User-Level 训练范式与定制算子保证系统开销可控。美团外卖多个业务订单量提升 2.06%6.68% 不等，推理成本降低 24%，相关工作已被 KDD 2026 收录。 1. 引言 我们去年提出了 MTGR [1] —— 一种新的生成式精排框架，在美团外卖推荐场景验证了 Scaling Law（缩放定律：模型效果随参数量、数据量增长而可预期提升的经验规律）的有效性，并取得显著业务收益。然而，推荐领域的 Scaling Law 探索往往局限于单场景内部，模型被限制在单场景孤岛中，跨场景的数据、算力和架构无法充分复用。在美团这一问题尤为突出，推荐覆盖外卖首页、拼好饭等多个业务场景，各场景长期独立建模。与此同时，大语言模型（LLM）已验证一条清晰路径：基座模型（Foundation Model）足以统一处理编程、数学、写作等多领域任务，也可以将文本、图像、语音等异构信息表示为 Token 序列并进行端到端学习，展现出了强泛化性与可扩展性。