# LinkedIn snabbar upp profilklassning med LLM-poängsättning

> Ett LinkedIn-team uppger att poängsättning av kandidater var för sig kortade bearbetningstiden och gjorde klassningen mindre känslig för kandidatordningen.

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

Ett team av LinkedIn-forskare beskriver hur de ersatt genererade listor med JA/NEJ-beslut med semantisk poängsättning för att avgöra om profiler uppfyller kriterierna. I stället för att generera en lista med beslut poängsätter systemet varje kandidatetikett i en modellkörning, utan att generera ett fullständigt svar. Enligt artikeln ändrades högst 0.01% av besluten när kandidatordningen ändrades. Metoden gav samma överensstämmelse med referensetiketterna som packad generering, med ungefär 4.7 gånger färre träningspar.

En batchningsmetod kallad Multiple-Item Scoring ökade genomströmningen med 1.24 gånger offline och 1.9 gånger vid modellservering, med ett mål på under en sekund för latensens 99:e percentil. Enligt artikeln använder offlinesystemet ett återanvändbart Ray Data API, medan serveringen bygger på stöd i SGLang.

## Fakta

- Artikeln rapporterar 1.9× högre genomströmning vid servering med ett mål på under en sekund för p99-latensen.
- Artikeln publicerades på arXiv den October 28, 2026.

## Varför det spelar roll

För team som klassar LinkedIn-profiler kan de rapporterade förbättringarna innebära att fler kandidater kan behandlas inom samma tidsgräns för serveringen. Artikeln säger inte om metoden är tillgänglig för andra organisationer.

## Källor och referenser

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

Senast uppdaterad: 2026-10-28