8篇论文加KDD Cup冠季军，美团在KDD'26交出了什么

数据挖掘领域最顶级的会议KDD，论文录用率常年卡在15%到20%之间，属于CCF-A类。能在上面发一篇已经不容易，美团技术团队这次被收录了8篇。

更值得关注的是，大众点评技术部还在KDD Cup 2026的Data Agents赛道拿下了冠军和季军。论文加竞赛双线开花，这在国内工业界并不多见。

这8篇论文覆盖了推荐大模型、奖励建模、智能体搜索、Transformer框架、元泛化等多个方向。下面逐一拆解。

推荐基座模型：不对齐输入也能跨场景

工业推荐系统通常要服务多个场景，但现有的跨域和多场景方法有个共同痛点：需要大量资源，还要求严格的输入对齐。这直接限制了可扩展性。

美团提出的MTFM换了个思路。它不预先对齐输入，而是把跨域数据转成异质Token，用无对齐的方式捕捉多场景知识。

为了提升训练效率，MTFM引入了多场景用户级样本聚合机制，大幅减少总实例数量，训练吞吐量随之提升。同时融合了Grouped-Query Attention和定制化的Hybrid Target Attention，降低内存占用和计算复杂度。

系统层面还做了kernel融合、消除CPU-GPU阻塞等优化。在外卖等场景的离在线实验中，MTFM都验证了有效性。基于这个框架，团队构建了统一基座推荐大模型，替换了各业务主场景的独立精排模型，并完成全量上线。

奖励模型：3千样本超越全量微调

大模型对齐离不开奖励模型，但传统奖励模型是黑箱，还依赖昂贵标注。现有的准则方法又存在冗余和偏见。

CDRRM采用“对比-聚合”流程：先对比好回答和差回答，定位关键差异，再聚合成简洁的任务相关准则，用来指导评判模型。

实验结果显示，CDRRM在三个基准上达到最先进水平，缓解了话痨、位置等偏见。更关键的是，仅用3千样本，就让未微调模型超越了全量微调基线。

这意味着奖励建模可以在保证可解释性的同时，大幅降低数据成本。

本地生活搜索：16款大模型集体表现不佳

本地生活服务领域的AI搜索一直缺少系统评测。美团构建了LocalSearchBench基准，覆盖国内9座城市、6大服务品类，包含900道多跳问答任务。

配套的还有交互环境LocalPlayground和商户检索工具LocalRAG。

团队用这个基准测评了16款主流大语言推理模型，发现当前模型在这类任务上表现普遍不佳，信息完整性和可信度不足是通病。研究还剖析了模型在工具调用、多跳推理等方面的典型缺陷。

这份基准为本地生活场景下的智能体搜索训练和评测提供了重要支撑。

广告拍卖：匿名性与确定性分配如何兼得

联合广告拍卖场景有个算法难题：匿名性和确定性分配无法同时满足，导致分配不公平和激励不兼容。

匿名性要求拍卖结果只依赖竞标价值，与参与者身份和顺序无关；确定性分配则保证同样输入下结果唯一。

JTransNet通过引入这两种机制，结合可微分的NeuralSort排序方法，实现了端到端数据驱动的自动化模型拍卖算法。它解决了联合拍卖场景下多方出资的流量分配和扣费问题，离线和在线实验均显著提升了平台广告收益。

目前JTransNet已在美团零售核心业务场景全量上线。

跨域ETA：冷启动市场的零样本预测

即时物流场景中，提单页面的预估到达时间对用户满意度、调度策略和运营成本都至关重要。在美团Keeta等国际化平台上，跨域异质性显著，多域建模成为核心需求。

但现有方法面临三大挑战：无法泛化到完全未见过的新市场域，冷启动阶段做不到零样本预测；跨域特征空间不一致，新市场域缺乏历史数据导致离线统计特征结构性缺失；成熟域与冷启动域需要分别建模，阻碍知识迁移还增加维护成本。

UME统一元泛化框架设计了双分支网络和基于超网络的元学习机制，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。同时引入知识蒸馏策略弥合特征缺失带来的信息差距。离线与线上实验均优于现有方法。

自动竞价与广告分配：生成模型的新解法

现代自动竞价系统需要在整体效果、广告主多样化目标和现实约束之间取得平衡。条件生成模型能根据广告主偏好直接生成竞价轨迹，为传统方法提供了替代方案，但也面临离线与在线环境分布偏移、动作空间探索有限、需满足CPM和ROI约束等挑战。

GRAD通过动作混合专家模块实现多样化竞价行为探索，结合因果Transformer进行约束优化，是一个可扩展的自动竞价基础模型。

另一篇论文HMAF则针对保证交付合约与实时竞价拍卖共存的场景。现有方法要么将两者解耦优化，要么依赖启发式优先级规则，无法在复杂多坑位投放和曝光约束下平衡短期收入与长期合约交付。HMAF以“规划-校准-执行”范式为核心，统筹离线资源规划、动态校准竞争强度，并在多坑位环境中做实时列表级排序决策。

生成式推荐训练：1.6到2.4倍加速

生成式推荐在搜索、推荐、广告领域应用越来越广。随着模型Scaling Dense趋势加强，业界倾向于基于PyTorch生态构建下一代推荐训练引擎，复用LLM的发展红利。但PyTorch生态对大规模稀疏Embedding训练的支持仍有提升空间。

MTGenRec训练框架统一了“稀疏-稠密”训练能力。针对稀疏ID，它用动态Hashtable替换静态表，解决ID动态上下线问题；通过自动合表、ID去重、变长序列负载均衡等技术做极致优化。还开发了断点续训、混合精度训练、梯度累积、算子融合等配套技术。

实验结果显示，相比TorchRec baseline，MTGenRec取得1.6倍到2.4倍的训练加速比，训练精度不变。从8卡扩展到128卡，也取得了近似线性的扩展效率。目前已在美团内部多个核心场景落地。

KDD Cup冠军：两个月从全球队伍中突围

KDD Cup是数据挖掘领域全球公认的顶级赛事。2026赛季DataAgents赛道中，美团技术团队历时两个月，从全球参赛队伍中突围，摘得冠军与季军。

比赛考察模型在真实复杂数据场景下的理解与推理能力，多模态输入、非结构化文档、干扰信息识别，每一项都是当前Agent落地的硬骨头。

传统Data+AI系统虽在特定任务上有进展，但端到端分析流程仍高度依赖人类专家编排，成为制约可扩展性与适应性的主要瓶颈。KDD Cup 2026提出以“数据智能体”破局，通过融合知识理解、推理与规划能力，自主完成任务拆解、工具选择与调用、异构数据推理以及结果综合。

核心挑战在于真实数据的“异构鸿沟”与推理链路的非线性复杂性。智能体接收一份异构多模态数据包，涵盖数据库、PDF报告、JSON数据、图表乃至视频，针对高层次自然语言问题，自主编排包含并行分支、迭代循环与结果汇聚的复杂推理过程。

参赛队伍将点评“问点仔”建设过程中积累的Agent Harness能力迁移至赛题，利用业余时间构建了完整的Agent运行时，支持多类型数据文件的自主探索以及SQL、Python等分析工具的选择与执行。通过错误反馈、超时控制和自动重试等机制，提升智能体在长链路任务中的稳定性与容错能力。

针对视频和非结构化文档等异构数据，团队还构建了多模态视频理解子智能体和非结构化文档ETL子智能体，增强主智能体的数据提取、理解与综合分析能力。

此次获奖验证了相关技术在复杂异构数据分析Agent场景中的有效性，也为后续提升“问点仔”智能化水平提供了技术积累。相关代码已在GitHub开源。

从推荐基座到奖励建模，从广告拍卖到智能体搜索，这8篇论文和KDD Cup的成绩，勾勒出美团技术团队在数据挖掘与AI应用上的完整布局。值得持续关注的是，这些技术从论文到全量上线之间的转化速度。