如表1 所示，从重复请求的时间间隔分布（当前请求与前次请求的间隔）来看，绝大多数请求呈现高频短周期特征：46%的重复请求间隔小于10秒，75%集中在2分钟内。基于淘宝平台的真实数据分析发现，大量用户在浏览完整系统返回的商品卡片时会发起大量重复请求，导致系统重复执行召回、粗排、精排等多阶段计算，但最终仅获得少量广告曝光，造成显著算力资源浪费。以未实施任何回收策略的原广告系统为基线，通过调节效率衰减阈

如表1 所示，从重复请求的时间间隔分布（当前请求与前次请求的间隔）来看，绝大多数请求呈现高频短周期特征：46%的重复请求间隔小于10秒，75%集中在2分钟内。基于淘宝平台的真实数据分析发现，大量用户在浏览完整系统返回的商品卡片时会发起大量重复请求，导致系统重复执行召回、粗排、精排等多阶段计算，但最终仅获得少量广告曝光，造成显著算力资源浪费。以未实施任何回收策略的原广告系统为基线，通过调节效率衰减阈

如表1 所示，从重复请求的时间间隔分布（当前请求与前次请求的间隔）来看，绝大多数请求呈现高频短周期特征：46%的重复请求间隔小于10秒，75%集中在2分钟内。基于淘宝平台的真实数据分析发现，大量用户在浏览完整系统返回的商品卡片时会发起大量重复请求，导致系统重复执行召回、粗排、精排等多阶段计算，但最终仅获得少量广告曝光，造成显著算力资源浪费。以未实施任何回收策略的原广告系统为基线，通过调节效率衰减阈

如表1 所示，从重复请求的时间间隔分布（当前请求与前次请求的间隔）来看，绝大多数请求呈现高频短周期特征：46%的重复请求间隔小于10秒，75%集中在2分钟内。基于淘宝平台的真实数据分析发现，大量用户在浏览完整系统返回的商品卡片时会发起大量重复请求，导致系统重复执行召回、粗排、精排等多阶段计算，但最终仅获得少量广告曝光，造成显著算力资源浪费。以未实施任何回收策略的原广告系统为基线，通过调节效率衰减阈

如表1 所示，从重复请求的时间间隔分布（当前请求与前次请求的间隔）来看，绝大多数请求呈现高频短周期特征：46%的重复请求间隔小于10秒，75%集中在2分钟内。基于淘宝平台的真实数据分析发现，大量用户在浏览完整系统返回的商品卡片时会发起大量重复请求，导致系统重复执行召回、粗排、精排等多阶段计算，但最终仅获得少量广告曝光，造成显著算力资源浪费。以未实施任何回收策略的原广告系统为基线，通过调节效率衰减阈

FAT 的本质，是一次面向现代硬件的计算范式升级：它证明，即使面对高度异构的表格数据，只要架构设计与硬件的高吞吐、高算术强度特性对齐，并融入必要的领域约束，就能打通“算力投入 → 模型效果”的高效转化路径。这让我们意识到，单纯追求指标提升而忽视计算效率，实际上是在用昂贵的GPU执行低效任务，长期来看将制约模型的演进空间。Transformer 通过自注意力机制摆脱了 RNN 的序列依赖，实现了高度

对于不同的召回目标，只需要调整输入的任务描述 Prompt，即可改变输出的召回集合。模型推理服务的任务是根据接收到的 Prompt 输入完成完整的打分和检索逻辑，传回最终召回的商品集合，包括亿级商品表征查询模块、大模型推理服务和商品解码模块（HNSW 检索）三部分，并通过集成部署避免版本不一致问题。个用户表征，分别和目标商品表征计算内积，然后用它们的线性组合作为最终的分数（实践中发现 max 函数

如表1 所示，从重复请求的时间间隔分布（当前请求与前次请求的间隔）来看，绝大多数请求呈现高频短周期特征：46%的重复请求间隔小于10秒，75%集中在2分钟内。基于淘宝平台的真实数据分析发现，大量用户在浏览完整系统返回的商品卡片时会发起大量重复请求，导致系统重复执行召回、粗排、精排等多阶段计算，但最终仅获得少量广告曝光，造成显著算力资源浪费。以未实施任何回收策略的原广告系统为基线，通过调节效率衰减阈

如表1 所示，从重复请求的时间间隔分布（当前请求与前次请求的间隔）来看，绝大多数请求呈现高频短周期特征：46%的重复请求间隔小于10秒，75%集中在2分钟内。基于淘宝平台的真实数据分析发现，大量用户在浏览完整系统返回的商品卡片时会发起大量重复请求，导致系统重复执行召回、粗排、精排等多阶段计算，但最终仅获得少量广告曝光，造成显著算力资源浪费。以未实施任何回收策略的原广告系统为基线，通过调节效率衰减阈

为了守护平台生态，风控团队持续为阿里妈妈、闲鱼、飞猪、优酷、Lazada 等多个业务提供支撑，覆盖站内与站外的多类媒体，保障数十条产品线的业务安全。不过与他们的通用性设计不同，我们更强调在风控场景的上下文扩展与图结构建模，突出大模型在异构环境中的主动推理与因果建构能力。「研究」部分借助大模型的多模态理解与推理能力：我们为图谱节点构建融合文本、图像、统计与时序行为的描述，通过 System Prom