OneSearch-V2，把搜索从 “死记硬背” 拉到 “深度思考”

说实话，我之前一直有个疑问：为什么端到端的生成式检索（Generative Retrieval，简称GR），明明比传统多阶段搜索架构效率更高、优化更彻底，落地之后却总逃不开“越搜越窄”“复杂需求听不懂”的魔咒？

我们解读最新技术，文末有相关信息。

作者：张长旺，图源：旺知识

直到读完这篇OneSearch-V2的论文，我才明白：问题根本不在架构本身，而在模型的底层逻辑——它从一开始，就走偏了。

我们的搜索系统，一直在“偷懒”

先给不懂技术的你，用一句话讲清底层逻辑：

传统搜索就像“先去图书馆找所有相关的书，再一本本挑出你要的”，而生成式检索，是直接让一个读遍了所有书的图书管理员，把你最想要的那本直接递到你手里。OneSearch就是国内已经大规模落地的工业级生成式搜索框架，给电商平台带来了实打实的业务收益。

但它的初代版本，和市面上绝大多数搜索系统一样，一直在犯一个“偷懒”的错误：它宁愿花大量算力去拟合用户过去的点击日志，死记硬背“用户点过A，就会再点A”，却不愿意花功夫去理解，用户点击A的背后，到底藏着什么没说出口的需求。

这直接带来了三个行业级的顽疾：

一是复杂需求听不懂，只能做浅层的关键词匹配，就像你跟服务员说“不要辣、少盐、给老人吃的软一点”，它只听到了“菜”，给你上了一盘麻辣香锅；

二是潜在需求猜不到，只会照着历史记录“抄作业”，不会推理用户的真实诉求，你搜“婴儿辅食机”，它只会给你推你看过的同款，不会想到你可能还需要食品级的辅食碗、宝宝的分阶食谱；

三是越搜越窄，困在信息茧房里，为了冲高点击率，拼命给你推你之前喜欢的内容，结果你永远看不到新的选项，就像你总去一家餐馆吃番茄炒蛋，服务员天天给你上番茄炒蛋，哪怕你早就想试试新菜了。

而OneSearch-V2的核心突破，就是彻底改掉了这个“偷懒”的毛病：把模型的核心目标，从“30%的拟合历史”，转向了“70%的推理本质”。

三个创新：踩中了人类认知的底层逻辑

说实话，我第一次看这三个创新点的时候，最惊喜的不是它用了多复杂的算法，而是它完全踩中了人类认知的底层规律——我们理解世界，从来不是靠死记硬背，而是靠拆解、推理、对齐。

第一个创新，是思维增强的复杂查询理解模块。

你上学做阅读理解的时候，肯定不会看到关键词就直接答题，而是会先在脑子里拆解：这个问题的核心是什么？有没有隐藏的条件？出题人想考什么？

这个模块做的，就是一模一样的事。之前的搜索系统，是看到关键词就直接匹配商品，而它会先给用户的查询做一轮“思维拆解”：用户是谁？使用场景是什么？核心需求是什么？硬性要求是什么？

比如你搜“给刚上小学的孩子用的、能装水杯又能装美术工具的双肩包”，它不会只抓“双肩包”这个关键词，而是会拆解出“家长用户、小学生场景、核心需求是大容量分层、硬性要求是水杯位+美术工具收纳”，再去匹配对应的商品。

这刚好契合了认知心理学里的深度加工理论：对信息的加工层次越深，理解就越精准，而不是停留在浅层的关键词匹配。

第二个创新，是推理内化的自蒸馏训练管道，也是我认为最核心的突破。

先通俗解释什么是自蒸馏：就是大模型自己教自己，把自己从海量数据里“想明白”的深层逻辑，内化到自己的能力里，不用额外的人工标注。

之前的搜索模型，本质上是“原因论”的忠实信徒：因为你过去点过A，所以我未来要给你推A。它所有的训练，都是为了拟合过去的点击日志，就像一个死记硬背错题本的学生，只会背答案，不会懂解题思路。

而OneSearch-V2的自蒸馏训练，完全转向了阿德勒心理学里的目的论：决定推荐结果的，不是用户过去的点击记录，而是用户行为背后的潜在目的。它通过隐式的上下文学习，从用户的历史行为里，推理出用户真正的、甚至自己都没意识到的需求，再把这个推理能力内化到模型里，而不是死记硬背表面的点击数据。

比如你搜了“婴儿辅食机”，又看了“6个月宝宝辅食食谱”，还点了“食品级硅胶辅食碗”，之前的模型只会给你推更多辅食机，而它会推理出“你是一个新手妈妈，宝宝刚到辅食阶段，核心需求是全套的、安全的辅食解决方案”，给你推荐更匹配的、甚至你自己都没想到的商品。

第三个创新，是行为偏好对齐优化系统。

这个模块解决的，是行业里最头疼的“奖励黑客”问题：模型为了冲高点击率这个KPI，会拼命给你推标题党、低价引流款，哪怕这些东西根本不符合你的需求，就像一个为了冲业绩的销售，只会给你推便宜的引流款，根本不管你是不是真的需要。

它做的事很简单：把模型的奖励目标，从单一的“点击率”，变成了“用户真实满意度+长期价值”，同时用用户的直接反馈，去对齐个人的真实偏好，而不是只看点击这个单一行为。

说白了，它终于让搜索系统从“为了数据而数据”，变回了“为了满足用户需求而存在”。

反常识的结果：效果涨了，速度却没慢

论文里的实验数据，最反常识的不是那串亮眼的业务增长，而是它做到了所有同行都很难做到的事：效果大幅提升，却没有增加任何推理成本和服务延迟。

线上A/B测试的结果很直白：商品点击率提升3.98%，买家转化率提升3.05%，订单量提升2.11%。对于电商平台的大盘来说，转化率每提升0.1%都要付出巨大的努力，这个3.05%的提升，已经是量级的突破。

更重要的是，人工评估里，页面好评率提升1.65%，查询和商品的相关性提升1.37%，同时还有效缓解了信息茧房和长尾商品稀疏的问题。

一般来说，给模型加了这么多深度推理的能力，必然会增加算力消耗，拖慢响应速度，就像你给电脑开了太多后台，必然会卡顿。但OneSearch-V2却做到了“做题速度没变，正确率却大幅提升”，这才是它能真正大规模落地的核心原因——工业级的技术，从来不是实验室里的空中楼阁，而是要在效果、成本、速度之间，找到最优的平衡。

核心思考：AI的终局，是懂“人”，而非记“事”

这篇论文给我最大的启发，从来不是算法有多精妙，而是它戳中了一个最朴素的道理：无论是AI，还是人，真正的成长，从来不是靠死记硬背过去的经验，而是靠深度的思考、对本质的理解，和对真实需求的对齐。

我们活在一个数据爆炸的时代，不管是AI，还是我们自己，都很容易陷入“经验主义”的陷阱：AI拟合过去的日志，我们依赖过去的经验，结果都困在了自己的信息茧房里。我们总以为，记住的东西越多，经验越丰富，就越厉害，却忘了，真正的智能，从来不是“记住了什么”，而是“能从已有的信息里，推理出什么”。

OneSearch-V2给整个行业提了一个醒：AI的发展，早就过了堆参数、堆数据的野蛮生长阶段。接下来的竞争，从来不是谁的模型更大，谁的训练数据更多，而是谁的模型，能真正读懂“人”——读懂用户没说出口的需求，读懂行为背后的本质，跳出历史数据的惯性，真正解决用户的问题。

说到底，所有的技术，最终都是为“人”服务的。能真正懂人的AI，才会有真正的未来。

参考资料

• OneSearch-V2: The Latent Reasoning Enhanced Self-distillation Generative Search Framework,https://arxiv.org/abs/2603.24422