美团搜索 3.0如何用大模型表征重构本地生活搜索底座？

事件核心：发生了什么

据美团技术团队近期发布的技术分析，美团搜索已完成三次迭代，核心变化是在服务零售排序场景中引入大模型语义表征。服务零售与标准化的商品零售不同，品类繁杂、搜索需求多样（交易型、信息型和导流型），供给高度非标准化，传统排序模型严重依赖词面匹配，遇到“春节大扫除”与“深度保洁服务套餐”这类字面无关但语义强相关的查询时，泛化能力明显不足。

针对这一差距，团队在过去一年系统探索了大模型在排序模型中的应用。第一阶段验证可行性：选择小参数开源基座模型做全参微调，引入特殊 token 作为聚合锚点，生成 Query、POI（商户）和 Deal（商品）的向量表征，再通过余弦相似度分箱注入排序模型。离线评估显示点击 NDCG 显著提升，上线后整体搜索支付订单和服务零售订单增长明显，长尾场景的坏案例明显减少。第二阶段聚焦商户排序表征的系统化升级：用五元组训练数据（Query、商品正样本、商户正样本、硬负样本）替代二元分类目标，全面引入 InfoNCE Loss 和 Triplet Loss，并将全参微调切换为 LoRA，同时升级为 MRL-E（Matryoshka Representation Learning）降维方案，以提升训练和推理效率。线上数据反映有效点击和结果页转化率（QV_CTR）均有上升。

为什么重要

这次公开的技术细节，体现的是搜索范式从“关键词文本匹配”向“复杂意图理解”迁移的实际落地。对于本地生活服务这种供给高度非结构化的场景，大模型表征的价值不只是提升点击率，而是改变了排序模型获取语义信号的方式——从依赖人工特征工程转向由模型直接理解查询与供给的深层关联。对行业而言，美团这套路径（小模型微调验证、对比学习优化、LoRA 提效、跨场景复用）提供了一个可参考的工程化范本，说明大模型在搜索排序中的应用不只有重排生成式方案，也能在召回和粗排阶段以向量表征的方式产生增量价值。

对用户/开发者/创作者的影响

对普通用户，最直接的感知是长尾搜索体验改善：口语化、地域化、节日化的表达更容易找到匹配的服务，而不是只能靠精确关键词碰运气。对开发者和算法工程师，公开信息显示 LoRA 微调加对比学习是当前性价比更高的路径，小参数开源模型在特定场景微调后即可投入线上排序，这对中小团队做垂直搜索排序有参考意义。对依赖搜索流量的本地生活商家，排序逻辑从词面匹配转向语义匹配后，供给描述和套餐命名策略需要调整——与其堆砌关键词，不如把服务内容写清楚，让模型能准确理解并匹配对应需求。

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。

值得关注的后续

目前公开信息显示，美团搜索 3.0 的升级重点在服务零售排序场景。后续值得观察三点：一是这套语义表征方案是否会向更多场景扩展，比如酒店旅游、到店综合等，跨场景迁移的成本和效果是关键指标；二是 LoRA 和 MRL-E 方案在更大规模流量下的稳定性和推理成本是否可控；三是其他本地生活平台是否跟进类似的大模型语义排序方案，这将直接影响行业整体的搜索体验水位。

来源：AIbase