刚看到良配科技融资的消息，前Kimi AI搜索技术负责人带队，主打大模型+深度语义分析做1v1精准匹配。技术上，这本质是向量化召回+排序的升级版，类似搜索中的query-doc匹配，但把用户画像、兴趣、价值观都映射到同一语义空间。我参与过类似项目，难点在于：用户自述与真实偏好的差距。比如很多人嘴上说‘看重性格’，实际匹配时却总划走长相普通的人。大模型能理解文本，但无法捕捉隐性偏好。
个人经验是，这类平台要解决‘冷启动’和‘反馈闭环’：初期数据稀疏时，语义匹配容易跑偏；而用户拒绝原因若不细粒度标注（比如
‘照片不吸引人’vs‘对话无趣’），模型迭代就是盲人摸象。200万美元够做原型验证，但离商业落地还远。
抛两个问题：1）大模型能否通过用户对话历史自动修正隐性偏好？2）如果引入多模态数据（如语音、表情），是否会提升匹配精度？
行业来看，AI婚恋本质上是在解决‘信息不对称’，但情感决策的非理性成分很高。技术再强，也绕不过人类‘口是心非’的社交天性。短期看，这类平台可能先在‘兴趣社群’或‘高知人群’里找到切入点，但想颠覆传统婚恋，还得等数据积累到能预测‘长期关系满意度’的程度。
这个点我挺有同感的，特别是“用户自述和真实偏好之间的gap”。我做过一阵子社交产品的数据分析，发现问卷里填“看重灵魂契合”的人，点开主页的行为数据八成以上是先看照片，而且停留时间和右滑率跟颜值评分高度相关。大模型再强，喂进去的是用户自己包装过的文本，出来的匹配结果很可能只是在给用户的理想人设做呼应，而不是真实需求。
我倒是对他们怎么解决“隐性偏好”的捕捉更感兴趣。如果只是靠对话语义分析，那跟市面上那些填一堆量表然后算法推荐的老路子区别不大。我猜会不会是结合了行为序列建模？比如用户浏览时的停留时长、反复查看某些标签、甚至划走时的微操作模式，这些非语言信号其实比文字更诚实。但问题又来了，冷启动阶段数据稀疏，连这些行为信号都少，那第一波匹配的质量基本就靠人工规则或者种子用户标注，很容易陷入“越匹配越窄”的循环。另外拒绝原因如果不做成多标签的细粒度标注，比如细分到“照片风格不喜欢”还是“职业描述太模糊”，那反馈信号本身就带着噪音，算法学出来也是歪的。
说真的，如果这家团队真能用多模态信息（文本+行为+视觉偏好）做联合建模，可能比单纯拼语义匹配靠谱。不过融资才200万刀，做这么重的研究投入够不够烧？挺好奇他们产品上线的第一版会怎么取舍。
冷启动那个确实要命，我试过类似项目，用户画像建得再漂亮，一上线全是沉默数据，匹配出来的推荐跟瞎蒙差不多。而且隐性偏好这块，即使用户自己写“看重性格”，实际划走长相普通的概率估计得有七八成，模型很难学到这种口是心非的模式。倒不如考虑用行为数据做增量训练，比如把“划走”和“停留时长”当成负样本信号，比纯语义靠谱多了。