AI导读

苹果借助30亿参数大语言模型突破App Store搜索瓶颈，自动生成百万级语义标签，使下载转化率提升0.24%，预计年增数千万次下载——技术微创新撬动商业巨变。

内容由AI智能生成

3 月 7 日消息，苹果研究团队于 2 月发布研究报告，通过引入大语言模型（LLM），显著提升了 App Store 的搜索转化率。

IT之家援引博文介绍，苹果 App Store 的排名系统目前主要依赖行为相关性（即用户是否点击或下载）来优化搜索结果。由于人工评估成本极高，衡量应用元数据与搜索词语义匹配度的文本相关性标签一直极度匮乏，这构成了优化搜索体验的重大瓶颈。

在最新《Scaling Search Relevance： Augmenting App Store Ranking with LLM Generated Judgments》研究中，研究人员为突破这一技术局限，专门微调了一个拥有 30 亿参数的大语言模型。

该模型深入学习了现有的人工评判标准，并能精准分析用户的搜索词与应用元数据（如名称、描述和关键词）之间的关联。

随后，研究团队利用该模型自动生成了数以百万计的全新相关性标签，并结合原始数据，重新训练了 App Store 的底层排名系统。

AI导读

苹果借助30亿参数大语言模型突破App Store搜索瓶颈，自动生成百万级语义标签，使下载转化率提升0.24%，预计年增数千万次下载——技术微创新撬动商业巨变。

内容由AI智能生成

3 月 7 日消息，苹果研究团队于 2 月发布研究报告，通过引入大语言模型（LLM），显著提升了 App Store 的搜索转化率。

IT之家援引博文介绍，苹果 App Store 的排名系统目前主要依赖行为相关性（即用户是否点击或下载）来优化搜索结果。由于人工评估成本极高，衡量应用元数据与搜索词语义匹配度的文本相关性标签一直极度匮乏，这构成了优化搜索体验的重大瓶颈。

在最新《Scaling Search Relevance： Augmenting App Store Ranking with LLM Generated Judgments》研究中，研究人员为突破这一技术局限，专门微调了一个拥有 30 亿参数的大语言模型。

该模型深入学习了现有的人工评判标准，并能精准分析用户的搜索词与应用元数据（如名称、描述和关键词）之间的关联。

随后，研究团队利用该模型自动生成了数以百万计的全新相关性标签，并结合原始数据，重新训练了 App Store 的底层排名系统。

AI导读

苹果借助30亿参数大语言模型突破App Store搜索瓶颈，自动生成百万级语义标签，使下载转化率提升0.24%，预计年增数千万次下载——技术微创新撬动商业巨变。

内容由AI智能生成

3 月 7 日消息，苹果研究团队于 2 月发布研究报告，通过引入大语言模型（LLM），显著提升了 App Store 的搜索转化率。

IT之家援引博文介绍，苹果 App Store 的排名系统目前主要依赖行为相关性（即用户是否点击或下载）来优化搜索结果。由于人工评估成本极高，衡量应用元数据与搜索词语义匹配度的文本相关性标签一直极度匮乏，这构成了优化搜索体验的重大瓶颈。

在最新《Scaling Search Relevance： Augmenting App Store Ranking with LLM Generated Judgments》研究中，研究人员为突破这一技术局限，专门微调了一个拥有 30 亿参数的大语言模型。

该模型深入学习了现有的人工评判标准，并能精准分析用户的搜索词与应用元数据（如名称、描述和关键词）之间的关联。

随后，研究团队利用该模型自动生成了数以百万计的全新相关性标签，并结合原始数据，重新训练了 App Store 的底层排名系统。

AI导读

苹果借助30亿参数大语言模型突破App Store搜索瓶颈，自动生成百万级语义标签，使下载转化率提升0.24%，预计年增数千万次下载——技术微创新撬动商业巨变。

内容由AI智能生成

3 月 7 日消息，苹果研究团队于 2 月发布研究报告，通过引入大语言模型（LLM），显著提升了 App Store 的搜索转化率。

IT之家援引博文介绍，苹果 App Store 的排名系统目前主要依赖行为相关性（即用户是否点击或下载）来优化搜索结果。由于人工评估成本极高，衡量应用元数据与搜索词语义匹配度的文本相关性标签一直极度匮乏，这构成了优化搜索体验的重大瓶颈。

在最新《Scaling Search Relevance： Augmenting App Store Ranking with LLM Generated Judgments》研究中，研究人员为突破这一技术局限，专门微调了一个拥有 30 亿参数的大语言模型。

该模型深入学习了现有的人工评判标准，并能精准分析用户的搜索词与应用元数据（如名称、描述和关键词）之间的关联。

随后，研究团队利用该模型自动生成了数以百万计的全新相关性标签，并结合原始数据，重新训练了 App Store 的底层排名系统。

AI导读

苹果借助30亿参数大语言模型突破App Store搜索瓶颈，自动生成百万级语义标签，使下载转化率提升0.24%，预计年增数千万次下载——技术微创新撬动商业巨变。

内容由AI智能生成

3 月 7 日消息，苹果研究团队于 2 月发布研究报告，通过引入大语言模型（LLM），显著提升了 App Store 的搜索转化率。

IT之家援引博文介绍，苹果 App Store 的排名系统目前主要依赖行为相关性（即用户是否点击或下载）来优化搜索结果。由于人工评估成本极高，衡量应用元数据与搜索词语义匹配度的文本相关性标签一直极度匮乏，这构成了优化搜索体验的重大瓶颈。

在最新《Scaling Search Relevance： Augmenting App Store Ranking with LLM Generated Judgments》研究中，研究人员为突破这一技术局限，专门微调了一个拥有 30 亿参数的大语言模型。

该模型深入学习了现有的人工评判标准，并能精准分析用户的搜索词与应用元数据（如名称、描述和关键词）之间的关联。

随后，研究团队利用该模型自动生成了数以百万计的全新相关性标签，并结合原始数据，重新训练了 App Store 的底层排名系统。