# LinkedIn ускоряет разметку профилей с помощью LLM

> Команда LinkedIn сообщает, что оценка кандидатов по отдельности сократила время обработки и снизила зависимость разметки от порядка кандидатов.

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

Команда исследователей LinkedIn рассказывает о переходе от генерации списков YES/NO к семантической оценке для присвоения профилям квалификационных меток. Вместо того чтобы генерировать список решений, система оценивает каждую метку кандидата за один проход модели, не создавая полный ответ. Согласно статье, при изменении порядка кандидатов подход менял не более 0.01% решений, а соответствие эталонным меткам было таким же, как у генерации упакованных последовательностей, при этом требовалось примерно в 4.7 раза меньше обучающих пар.

Метод пакетной обработки под названием Multiple-Item Scoring повысил пропускную способность в 1.24 раза при офлайн-обработке и в 1.9 раза при обслуживании запросов модели — при целевом значении задержки на уровне 99-го перцентиля не более одной секунды. В статье говорится, что офлайн-система использует переиспользуемый API Ray Data, а в SGLang для обслуживания запросов предусмотрена соответствующая поддержка.

## Факты

- Согласно статье, пропускная способность при обслуживании запросов модели выросла в 1.9× при целевом значении задержки p99 не более одной секунды.
- Статья опубликована на arXiv 28 октября 2026 года.

## Почему это важно

Для команд, размечающих профили LinkedIn, заявленный рост производительности может означать, что за то же время обработки удастся оценить больше кандидатов. В статье не говорится, доступен ли этот подход другим организациям.

## Источники и ссылки

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

Обновлено: 2026-10-28