韩国济州岛，KDD 2026现场。
当最终榜单打在大屏上时，这场从今年春天延烧至今的算法马拉松，终于有了结局。
拿下冠军的，一共有两个战队——
· 学术赛道冠军「lozyyeah」，独享200万元（30万美金）
· 工业赛道冠军「日之光面」（sunshot），斩获100万元（15万美金）
整场比赛，总奖金池超88.5万美元，折合人民币约600万。
光学术赛道冠军一项就独揽30万美元，创下国内企业技术竞赛最高单项奖金纪录。
图左：学术赛道冠军lozyyeah；图右：工业赛道冠军日之光面
值得一提的是，让这场巅峰对决载入史册的，并不只有奖金。
KDD Cup的中国时刻
KDD Cup，是公认的「数据挖掘领域的奥赛」。
自1997年ACM SIGKDD设赛至今，Google、Microsoft、Meta都出过题。
能在这里跻身前列，便是实力的绝对背书。
中国企业主导KDD Cup赛题并非首次，2012年腾讯自己就做过。
8月12日，济州ICC会议中心。腾讯广告算法大赛（TAAC），再次以KDD Cup官方主赛道身份揭晓最终结果。
52个国家和地区，近14000名选手，5700多支队伍，907所全球高校集结，学术界与工业界参赛者比例约7:3。
从2017年创办，TAAC今年已是第七届。
从一个国内行业赛事，一步迈上KDD Cup的舞台。腾讯全权主导整条赛道，出题，提供真实业务数据，设计赛制。
奖金金额、算力规模、参赛人数，多项纪录同时刷新。
但规模之上，真正的突破在「数据」。
腾讯拿出来的是，营销体系每天服务数十亿用户的真实脱敏数据，100多个特征字段，远超学术界任何一个公开benchmark的量级。
推荐系统的公开数据集太少、太小、太旧，这几乎是全行业的痛。
大语言模型能跑通Scaling Law靠的就是海量benchmark，推荐系统一直缺这个条件。
全球大广告商里从来没有人这么做过。KDD Cup 29年历史上，这是第一次。
把撕开的「推荐系统」，缝回去
真正决定这场比赛难度的，是赛题本身——
面向大规模推荐的序列建模与特征交互统一化。
听着很学术，但它指向的，是工业界躺了很多年、谁都知道、谁都没彻底解决的老问题。
本届赛事第一次把这个问题原封不动地交给全球：设计一个统一的、单一同构的Recommendation Block，同时优化AUC，并探索推荐系统的Scaling Law。
学术冠军：给推荐模型装个「GPS」
抱走200万大奖的战队「lozyyeah」，队长是罗同学，博士二年级。
两位队友都是同一个实验室的师弟师妹：张同学，刚要升大三的本科生；顾同学，刚加入实验室的研一新生。
一个实验室，三个人。
lozyyeah战队三位成员
采访时，罗同学讲起自己为什么开始打比赛，答案很实在：
读研第一年赶上疫情，要定研究方向，但对很多方向都不够了解。
我当时在想，能不能通过一种目标导向、问题驱动的方式，让自己尽快进入科研状态。
打比赛似乎是一个很好的方法：它可以提供来自业界的真实课题，大家在有限时间内完成一个完整的问题解决流程。
这句话，几乎就是TAAC这类赛事存在价值的最好注脚。
他们的团队，给出的方案叫CRAFT，核心创新是feature transport（特征传输）。
大家都在做feature interaction（特征交互），即让不同特征之间发生信息交互。但罗子宸团队发现：只有交互，还不够。
问题出在层与层之间，多个block纵向堆叠，有效信息逐层衰减，传到中间就坍缩了。
这一次实验成果的灵感，来自他正在做的flow matching研究。
Flow matching会生成一个速度向量，为当前状态指出方向。
罗同学把这个思路迁移到推荐模型里，给每一层生成一个「意图向量」，引导信息沿正确方向传递。
加入意图向量之后，特征信息在整个流程结束前都保持着丰富度，直到最终输出才收敛为预测结果。
值得一提的是，罗同学坦言，此次比赛离不开一位特殊的「AI伙伴」——ChatGPT。
它不仅是随时碰撞灵感的兼职导师，更是辅助落地想法的得力助手，陪伴团队在反复打磨中一起成长。
当被主持人问及拿到奖金后的计划时，他表示，「压力太大了，比赛加科研一直在熬夜。等忙完，一定要拿着奖金出去好好休息」。
工业冠军：与其读更多，不如问得更准
战队日之光面（sunshot），一举斩获了本次KDD Cup工业赛道的冠军。
其中一位成员是目前Kaggle竞赛社区（>2000w用户）比赛积分榜的全球第一名，另一位曾拿过国内算法竞赛15次冠军，且斩获了2021年腾讯算法大赛的第一名。
他们提出的方案，叫QueryFormer。
先让用户、广告和非序列特征充分交互，形成质量更高的Query，再用这些Query从多域行为序列中，提取与当前广告最相关的信息。
如果问题问得不好，那么信息库再大、行为序列再长，也取不出真正有用的东西。
「日之光面」的判断因此非常反直觉：别急着把序列拉长，先把问题问好。
围绕这个判断，QueryFormer具体做了五步优化。按字段边界拆分非序列特征、用DCN-V2分组处理，让用户侧与广告侧Token先自注意力再交叉，再带着这个「问好的问题」去4个业务域的序列里做检索。
最关键的一刀，是用Cross-Attention彻底替换掉原本的MLP Query生成方式。
最终，QueryFormer以测试集AUC 0.83254拿下工业赛道冠军。
但真正让人愣住的，是他们的工具清单。
整个建模、代码开发、实验迭代过程，只用了DeepSeek网页版。
技术论文的主体同样由DeepSeek辅助完成，GPT只在最终提交前做了一轮语言润色，随后人工审核。
整个建模与开发过程，没有用GPT、Claude写过一行代码。
两条赛道，两个冠军，一个解的是「信息在层与层之间怎么不丢失」，一个解的是「进入序列之前怎么把问题问准」。
但殊途同归，两支队伍都没靠堆参数、堆序列取胜，而是回到结构本身找答案。
这恰恰是这道赛题最想看到的东西。
原创突破奖：本科生与外行新手
Scaling Law原创突破奖（Scaling Law Innovation Award）颁给了gg团队，两个大四本科生，王同学和郭同学。
他们是TAAC中为数不多的纯本科生队伍，第一次参加这类比赛。
到了比赛后期，大家都撞上了同一个难题：直接把模型做宽，AUC不升反降，不少选手因此判断这条路走不通。
他们没放弃，初赛加复赛，做了400-500次实验。
显卡一刻不能空着，训练跑着的时候读论文，读完复盘上一版，复盘完了想下一版思路，然后接着写代码。
最后找到了，在同时增大模型容量和条件信息的前提下再增加维度，可以实现scaling的提升。
如果要给这段经历再颁一个非技术奖项，王同学的答案很简单：「实验最多奖」。
Scaling Law原创突破奖gg团队
统一架构原创突破奖（Unified Block Innovation Award），更像新手村逆袭，颁给了T-Squared。
韩同学和朱同学一个学控制科学，一个学生物医学。夏同学搞生成式设计。
三个人的专业没有一个跟搜广推沾边，此前也没有任何相关比赛经验。
两个本科舍友加一个初中同学，「我们没有经验，也不好让有经验的人带我们，所以新手之间互相合作」。
他们的方案叫UniBlock，把分散的模块统一成一条流水线。
他们设计了分层记忆机制，Global Memory做全局摘要，Domain Memory给每个行为域做局部兴趣提取。不同行为域有强有弱，全局记忆会让强域压制弱域。
给自己颁什么奖？韩同学笑了，「大杂烩奖」。
统一架构原创突破奖T-Squared团队
但翻开这些答卷，藏着一条暗线。从冠军到亚军到原创突破奖，几乎每组获奖选手背后都站着一个AI队友。
一场推荐系统的比赛，本身正在被AI重新定义。
比赛之外，把人留下来
比赛会结束，榜单会被翻篇。
一场赛事真正的长期价值，往往不在颁奖那一刻，而在颁奖之后——那些被找到的人，去了哪里。
对腾讯来说，答案从来不在赛事本身。
布局技术赛事的真正着眼点：是对高精尖技术人才的长期挖掘、吸纳与体系化培养。
赛事是面向全球技术人才的交流场与能力展台，「青云计划」则在赛事之后持续关注和支持这些人的成长——
两者拼在一起，把人才的发现、吸纳与培养串成了一条完整链路。
说白了，赛事负责把人找到，长效的人才体系负责让人留下来、长出来。
一场比赛，一次范式的公开演练
回头看，这届TAAC同时真正做成的，是这三件事。
第一，把一个工业真问题，变成了全球学术议题。
序列建模与特征交互的割裂，本来是各家公司关起门来各自头疼的工程问题。
当它被写成KDD Cup的赛题、配上真实脱敏数据和600万奖金摆到全球面前，5746支队伍在四个月里给出的解法，就不再只属于某一家公司。
第二，让「可迁移、可落地、可产业化」有了硬标准。
限制推理时延、禁止模型融合、要求完整复现——这三条约束看似苛刻，实则是把工业界真实的部署条件，1:1搬进了赛场。
在这套标准下跑出来的方案，天然离上线更近一步。
第三，为下一轮人才竞争提前布局。
当AI Coding把写代码这件事的门槛大幅拉低，能提出好问题的人反而变得更稀缺。TAAC用真实产业赛题筛出这批人，长效的人才体系再把他们接住，这是一套完整的闭环。
从2017年的国内赛场，到2026年的全球顶会擂台。
腾讯广告算法大赛用七届时间，把一件事讲清楚了：广告技术从来不是AI的边缘应用，而恰恰是最严苛的那块试金石