# LinkedIn beschleunigt Profilkennzeichnung mit LLM-Scoring

> Ein LinkedIn-Team berichtet, dass die Einzelbewertung von Kandidaten die Antwortzeit verkürzte und die Kennzeichnung weniger abhängig von der Reihenfolge der Kandidaten machte.

Oossa · 2026-10-28 · https://oossa.com/de/linkedin-uses-llm-scoring-to-speed-profile-labeling

Ein Team von LinkedIn-Forschern beschreibt, wie es generierte JA/NEIN-Listen durch semantisches Scoring für Qualifikationslabels von Profilen ersetzt hat. Statt eine Liste mit Entscheidungen zu erzeugen, bewertet das System jedes Kandidatenlabel in einem Modelllauf, ohne eine vollständige Antwort generieren zu müssen. Dem Paper zufolge änderten sich bei einer anderen Reihenfolge der Kandidaten höchstens 0,01 % der Entscheidungen. Außerdem erreichte das Verfahren dieselbe Übereinstimmung mit Referenzlabels wie die gebündelte Generierung – mit etwa 4,7-mal weniger Trainingspaaren.

Eine Batch-Methode namens Multiple-Item Scoring steigerte den Durchsatz im Offline-Betrieb um das 1,24-Fache und beim Model Serving um das 1,9-Fache – bei einer angestrebten Latenz im 99. Perzentil von unter einer Sekunde. Laut Paper nutzt das Offline-System eine wiederverwendbare Ray-Data-API; beim Serving kommt die Unterstützung in SGLang zum Einsatz.

## Die Fakten

- Laut Paper ist der Durchsatz beim Serving bei einer angestrebten p99-Latenz von unter einer Sekunde 1,9-mal höher.
- Das Paper wurde am 28. Oktober 2026 auf arXiv veröffentlicht.

## Warum es wichtig ist

Für Teams, die LinkedIn-Profile kennzeichnen, könnten die berichteten Verbesserungen bedeuten, dass sie innerhalb desselben Zeitlimits beim Serving mehr Kandidaten verarbeiten können. Das Paper sagt nicht, ob das Verfahren auch anderen Organisationen zur Verfügung steht.

## Quellen und Referenzen

1. [From Generation to Scoring: Scaling LLM-Based Semantic Labeling at LinkedIn](https://arxiv.org/abs/2610.36383) – arXiv cs.IR, 2026-10-28

Zuletzt aktualisiert: 2026-10-28