WeFair-2B elevó el CTR un 2,951% en la búsqueda de vídeos cortos de WeChat

La búsqueda de vídeos cortos vive de consultas ambiguas: el usuario escribe dos palabras y lo que quiere ver depende de sus búsquedas y visualizaciones recientes. El equipo de East China Normal University describe WeFair, un método para entrenar un modelo compacto de 2 mil millones de parámetros que reescribe la consulta teniendo en cuenta el contexto del usuario, sin sustituir su objetivo. WeFair-2B ya funciona en la búsqueda de vídeos cortos de WeChat y atiende más de 100 millones de consultas al día. En un test A/B de 10 días, el CTR relativo creció un 2,951%, la proporción de visualizaciones efectivas de vídeo aumentó un 2,593% y la proporción de reformulaciones de consultas disminuyó un 2,350%.

El problema: ordenar por engagement aleja de la consulta

Los enfoques anteriores destilan el razonamiento de modelos grandes en un reescritor pequeño y luego lo ajustan con señales del consumo posterior de contenido, es decir, lo que el usuario vio después de recibir los resultados. Los autores señalan un efecto secundario. Esa recompensa empuja al modelo hacia consultas que encuentran contenido «adictivo» en lugar de lo que la persona buscaba. Es lo que se conoce como deriva de intención (intent drift). En el ejemplo del artículo, la consulta «crepe cake» deriva hacia recetas, aunque el usuario quería ver cómo se come ese pastel. Además, la consulta reescrita se apoya en el historial real del usuario, por lo que este error es difícil de detectar con comprobaciones formales.

Los modelos grandes no sirven para esta tarea por dos razones. Entienden peor las intenciones diversas de los usuarios de una plataforma concreta, y la latencia de cada llamada es demasiado alta para una búsqueda en tiempo real. Por eso, en producción hace falta un modelo pequeño que, además, decida si reescribir la consulta o dejarla como está.

Tres etapas con distinta exigencia de la señal

La idea de WeFair es asignar a cada etapa del entrenamiento un nivel distinto de fiabilidad del feedback.

• Demostraciones (SFT). Primero se entrena con registros «contexto → consulta», después con razonamientos sobre el contexto y, por último, con la predicción directa de reformular o conservar la consulta. Aquí se admite una señal menos precisa, pero más amplia.
• Preferencias (DPO). Los pares de candidatos se distinguen por el consumo posterior, y el modelo aprende a elegir los que se asocian a un mejor ajuste a la intención personal.
• Verificación (GRPO). La recompensa se concede solo por la coincidencia exacta con la reformulación real del usuario o con la decisión de dejar la consulta sin cambios. Los autores no añaden valoraciones graduales de similitud ni recompensas de búsqueda o de un modelo juez.

Un análisis adicional muestra que la supervisión amplia ayuda en la etapa de SFT y que la verificación estricta en la fase final da mejor calidad que las recompensas auxiliares probadas. Según los autores, las señales más finas reducen la precisión de la reescritura. En inferencia, el modelo devuelve directamente una reescritura corta o un marcador «conservar», sin generar una cadena de razonamiento, lo que ahorra latencia.

Cómo se recopilaron los datos de entrenamiento

Los datos proceden de sesiones de búsqueda de WeChat, de forma anonimizada. Para el conjunto «contexto → consulta» se seleccionan consultas con al menos una visualización efectiva de vídeo (de más de diez segundos) y se comprueba con DeepSeek-V4-Flash que el contexto las respalde. Para el conjunto de reformulaciones se enlazan consultas contiguas de una misma sesión: tras la primera no hubo clic en ningún vídeo y tras la segunda hubo una visualización efectiva. Se excluyen las consultas originadas por sugerencias del sistema.

Después actúa un filtro de dos niveles. Las reglas descartan los añadidos formados por palabras funcionales del chino, los pares con poca coincidencia de caracteres (según la similitud de Jaccard) y los casos sin apoyo contextual. Con ello se elimina cerca de la mitad de los candidatos. A continuación, tres LLM de razonamiento votan sobre la continuidad de la intención y la ganancia de información, y otras tres verifican el «puente contextual» entre el detalle añadido y la consulta. Pasa aproximadamente un tercio. Los ejemplos rechazados en el último paso se convierten en negativos duros para la conservación: así el modelo aprende a no inventar personalización sin base.

Qué conviene tener en cuenta

Los resultados se obtuvieron en la plataforma interna de WeChat y no se pueden reproducir de forma independiente. Parte del pipeline depende de reglas específicas del chino y de logs de comportamiento cerrados. La descripción original no incluye una comparación con modelos base en métricas offline en cifras, solo la conclusión de que WeFair supera a las alternativas en precisión general y conservación de la intención.

La conclusión práctica para los equipos que construyen reescritores en búsqueda o recomendaciones: no mezclen en una misma etapa señales de distinta fiabilidad. Los datos amplios de comportamiento sirven para el arranque y las preferencias, pero en el paso final de RL la recompensa debe ser lo más limpia posible. La consulta original sigue siendo el ancla para los resultados y el ranking, y la reescritura solo amplía el conjunto de candidatos.