Modelo WeFair-2B eleva o CTR em 2,951% na busca de vídeos curtos do WeChat

A busca de vídeos curtos vive de consultas ambíguas: o usuário digita duas palavras, e o que ele quer ver depende de suas buscas e visualizações recentes. A equipe da East China Normal University descreveu o WeFair, um método para treinar um modelo compacto de 2 bilhões de parâmetros que reescreve a consulta levando em conta o contexto do usuário, sem trocar o objetivo original da busca. O WeFair-2B já funciona na busca de vídeos curtos do WeChat e atende mais de 100 milhões de consultas por dia. Em um teste A/B de 10 dias, o CTR relativo subiu 2,951%, a taxa de visualizações efetivas de vídeo cresceu 2,593% e a taxa de reformulações de consultas caiu 2,350%.

O problema: ranquear por engajamento afasta a busca da consulta

As abordagens anteriores destilam o raciocínio de modelos grandes em um reescritor pequeno e depois o ajustam com sinais de consumo posterior de conteúdo, ou seja, o que o usuário assistiu depois de ver os resultados. Os autores apontam um efeito colateral. Esse tipo de recompensa empurra o modelo para consultas que encontram conteúdo "viciante", e não aquilo que a pessoa buscava. O fenômeno é chamado de deriva de intenção (intent drift). No exemplo do artigo, a consulta "crepe cake" vai parar em receitas, embora o usuário quisesse ver alguém comendo o bolo. Como a consulta reescrita se apoia no histórico real do usuário, esse tipo de erro é difícil de detectar com verificações formais.

Modelos grandes não servem para essa tarefa por dois motivos. Eles entendem pior as intenções variadas dos usuários de uma plataforma específica, e a latência de cada chamada é alta demais para a busca em tempo real. Por isso, em produção é preciso um modelo pequeno, que também decida se deve reescrever a consulta ou mantê-la como está.

Três estágios com diferentes níveis de rigor do sinal

A ideia do WeFair é escolher, para cada estágio do treinamento, um nível diferente de confiabilidade do feedback.

• Demonstrações (SFT). Primeiro vem o treinamento em registros "contexto → consulta", depois em raciocínios sobre o contexto e, por fim, na previsão direta de reformular ou manter a consulta. Aqui é aceitável um sinal menos preciso, porém mais amplo.
• Preferências (DPO). Os pares de candidatos se diferenciam pelo consumo posterior de conteúdo, e o modelo aprende a escolher os que estão associados a um melhor acerto da intenção pessoal.
• Verificação (GRPO). A recompensa só é dada pela correspondência exata com a reformulação real do usuário ou com a decisão de manter a consulta sem alterações. Os autores não adicionam avaliações graduadas de similaridade nem recompensas de busca ou de um modelo juiz.

Uma análise adicional mostra que a supervisão ampla ajuda no SFT, e que a verificação rigorosa na etapa final entrega melhor qualidade do que as recompensas auxiliares testadas. Segundo os autores, sinais mais sutis reduzem a precisão da reescrita. Na inferência, o modelo devolve diretamente uma reescrita curta ou o marcador "manter", sem gerar cadeia de raciocínio, o que poupa latência.

Como os dados de treinamento foram coletados

Os dados vêm de sessões de busca do WeChat, de forma anonimizada. Para o conjunto "contexto → consulta", são selecionadas consultas com ao menos uma visualização efetiva de vídeo (mais de dez segundos), e o DeepSeek-V4-Flash verifica se o contexto sustenta cada uma delas. Para o conjunto de reformulações, são ligadas consultas vizinhas da mesma sessão: depois da primeira não houve clique em vídeo, e depois da segunda houve uma visualização efetiva. Consultas geradas por sugestões do sistema são excluídas.

Em seguida, entra um filtro de duas etapas. As regras eliminam acréscimos formados por palavras funcionais do chinês, pares com pouca sobreposição de caracteres (pela similaridade de Jaccard) e casos sem apoio no contexto. Isso remove cerca de metade dos candidatos. Depois, três LLMs de raciocínio votam sobre a continuidade da intenção e o ganho de informação, e outras três verificam a "ponte contextual" entre o detalhe acrescentado e a consulta. Passa aproximadamente um terço. Os exemplos rejeitados na última etapa viram negativos difíceis para o caso de manutenção da consulta: assim, o modelo aprende a não inventar personalização sem base.

O que levar em conta

Os resultados foram obtidos na plataforma interna do WeChat e não podem ser reproduzidos de forma independente. Parte do pipeline depende de regras específicas do chinês e de logs comportamentais fechados. A descrição original não traz comparação numérica com modelos de referência em métricas offline, apenas a conclusão de superioridade em precisão geral e na preservação da intenção.

A lição prática para equipes que constroem reescritores em busca ou recomendação: não misture sinais de confiabilidade diferente no mesmo estágio. Dados comportamentais amplos servem para a partida e para as preferências, mas, na etapa final de RL, a recompensa deve ser o mais limpa possível. A consulta original continua sendo a âncora para a entrega de resultados e o ranqueamento, enquanto a reescrita apenas amplia o conjunto de candidatos.