Команда Яндекса опубликовала технический отчёт о модели Sona, которая объединила генерацию кандидатов и ранжирование в одной архитектуре. Вместо каскада из 15 и более моделей система использует единый подход, что упрощает инфраструктуру и позволяет эффективнее обучать рекомендации. О деталях архитектуры и результатах в продакшене расскажут на конференции Practical ML Conf 19 сентября Команда Яндекса представила модель Sona, которая объединила генерацию кандидатов и ранжирование в единой архитектуре для рекомендательных систем. Традиционно такие системы строятся как каскад из множества моделей: сначала отбирается широкий пул кандидатов, затем несколько уровней ранжирования постепенно сужают выбор. Sona предлагает вместо этого использовать одну модель, которая одновременно генерирует кандидатов и оценивает их релевантность. Такой подход позволяет упростить инфраструктуру, сократить количество промежуточных этапов и эффективнее использовать данные для обучения. Вместо того чтобы обучать и поддерживать десятки отдельных моделей, команда может сосредоточиться на одной основной архитектуре и её улучшениях. В техническом отчёте подробно разбираются устройство модели, методы обучения и результаты в продакшене, включая влияние на ключевые метрики вовлечённости и качества рекомендаций. О деталях подхода и ответах на вопросы можно будет узнать на конференции Practical ML Conf 19 сентября, где выступит Николай Савушкин, старший ML-инженер команды. Отдельно на той же конференции Данил Кашин, руководитель команды претрейна VLM в Яндекс R&D, расскажет про Agentic Vision — модели, которые сначала строят план, затем при необходимости запрашивают дополнительную визуальную информацию, подключают OCR, детекторы, поиск или код и корректируют решение по промежуточным результатам. Это показывает, что Яндекс двигается в сторону более агентских и многошаговых систем не только в поиске, но и в рекомендациях.