# Pinterest usa Qwen3 de 4B para inferir recorridos de usuarios > Pinterest afirma que el modelo aumentó los clics en correos y las aperturas de notificaciones push en pruebas en EE. UU. y Canadá al analizar historiales de actividad para detectar objetivos a largo plazo. Oossa · 2026-11-09 · https://oossa.com/es/pinterest-uses-a-4b-qwen3-model-to-infer-user-journeys Pinterest reemplazó su sistema de varios pasos para agrupar los intereses de los usuarios por un modelo de lenguaje Qwen3 de 4.000 millones de parámetros, ajustado con datos específicos. La compañía afirma que una prueba inicial en EE. UU. y Canadá aumentó un 1.1% la tasa de clics en correos electrónicos y un 1.3% las aperturas de notificaciones push frente al sistema anterior. Pinterest llama «recorrido» a un objetivo que conecta los intereses, las intenciones y las circunstancias de una persona a lo largo de varias sesiones. Por ejemplo, buscar armarios de cocina, guardar ideas para encimeras y luego explorar azulejos o iluminación podrían apuntar a un mismo proyecto de renovación, en lugar de a intereses separados. El modelo utiliza esos recorridos inferidos en el sistema de recomendaciones que Pinterest ya tiene; no lo reemplaza. ## ¿Cómo funciona el nuevo sistema? El proceso anterior extraía palabras clave de la actividad, las agrupaba mediante representaciones vectoriales y agrupamiento jerárquico, y luego recurría a otros modelos y reglas para ponerles nombre y ordenarlas. Pinterest afirma que ese método podía dividir acciones relacionadas en recorridos distintos, generar etiquetas vagas o interpretar un clic casual como una intención duradera. El nuevo modelo lee un registro cronológico de hasta 150 acciones de un período de 360 días, además de un perfil de usuario compacto, y genera nombres de recorridos ordenados por relevancia. Las búsquedas y las acciones de guardar tienen más peso que los clics incidentales. Sus instrucciones dan importancia a la actividad repetida, a su antigüedad y a su grado de especificidad. También le indican que no combine intereses que no guardan relación, que descarte la actividad aislada y que no genere ningún recorrido cuando las pruebas sean débiles. Pinterest utilizó modelos más grandes para crear ejemplos sintéticos de entrenamiento a partir de historiales de actividad y luego ajustó modelos Qwen3 más pequeños de pesos abiertos. Tras probar modelos de entre 0.6 y 8 mil millones de parámetros, eligió la versión de 4.000 millones para equilibrar la calidad de inferencia y la velocidad de servicio. Pinterest la ejecuta con NVIDIA Dynamo y vLLM en GPU L40S y evita volver a ejecutar la inferencia para los usuarios cuyos recorridos se generaron en los últimos días. ## ¿Qué midió Pinterest? Pinterest evalúa la calidad de los recorridos mediante comparaciones directas, otro modelo de lenguaje que juzga si cada recorrido es pertinente y está respaldado por la actividad, y experimentos en línea. La compañía informa de mejoras estadísticamente significativas en interacción y retención en sus pruebas A/B iniciales, además de los aumentos en las tasas de clics y aperturas. En el informe proporcionado, no indicó la magnitud de la mejora en retención. El método se parece al uso que hace Netflix de secuencias largas de actividad de sus miembros para mejorar sus sistemas de recomendaciones. Pinterest genera descripciones explícitas de los recorridos, mientras que Netflix ha explicado que crea representaciones reutilizables de las preferencias; ambos incorporan comportamientos a largo plazo en sistemas de personalización existentes. ## Los hechos - El modelo analiza hasta 150 acciones del usuario en un período de 360 días, junto con un perfil compacto. - Pinterest probó modelos Qwen3 de entre 0.6B y 8B parámetros y eligió el modelo de 4B. - En las pruebas A/B iniciales en EE. UU. y Canadá, Pinterest informa de un aumento del 1.1% en la tasa de clics en correos electrónicos y del 1.3% en las aperturas de notificaciones push frente a su sistema basado en agrupamiento. - Pinterest afirma que las pruebas también mostraron mejoras estadísticamente significativas en interacción y retención, pero no indicó la magnitud de la mejora en retención. ## Por qué importa Para los usuarios de Pinterest, el cambio podría hacer que los correos y las notificaciones push sobre proyectos reflejen mejor la actividad repartida en varias visitas; Pinterest informa de tasas más altas de clics y aperturas en sus pruebas iniciales. Los resultados no demuestran si todos los usuarios recibirán recomendaciones más pertinentes ni cuál fue la magnitud de la mejora en retención. ## Fuentes y referencias 1. [Pinterest Replaces Journey Clustering with 4B Qwen3 LLM, Reports Improved Engagement](https://www.infoq.com/news/2026/11/pinterest-journey/?utm_campaign=infoq_content&utm_source=infoq&utm_medium=feed&utm_term=AI%2C+ML+%26+Data+Engineering) – InfoQ, 2026-11-09 Última actualización: 2026-11-09