# Pinterests PinGER hämtar Pins med färre indatatoken > Ett nytt hämtningssystem som beskrivs i en arXiv-artikel använder kompakta historiker och kontrollerad generering. Pinterest uppger att det ökade antalet sparade Pins i Related Pins. Oossa · 2026-10-27 · https://oossa.com/sv/pinterest-s-pinger-retrieves-pins-with-fewer-input-tokens Ett forskarlag har presenterat PinGER, ett system som Pinterest använder för att ta fram rekommendationer till funktionen Related Pins. Systemet ersätter en sökning efter närmaste granne med generativ hämtning: i stället för att söka efter en nära match bland objektrepresentationer genererar en modell ett objekts semantiska ID, en sekvens av token som används för att identifiera objektet. Artikeln fokuserar på en avvägning i tidigare system. De använder flera token för att representera varje objekt i en persons aktivitetshistorik. Med ett fast kontextfönster – den mängd indata modellen kan ta hänsyn till åt gången – innebär det att modellen kan hantera färre objekt än om varje objekt representerades av en enda inbäddning. PinGER-författarna säger att systemet behåller semantiska ID:n för de genererade resultaten, samtidigt som indatans historik görs mer kompakt. ## Hur håller PinGER historiken kompakt? PinGER varvar token för semantiska ID:n med täta token, som ger en kompakt representation av ett objekt. Dess uppmärksamhetsmask gör att senare objekt bara kan använda de täta tokenen som uppmärksamhet. Författarna säger att modellen därmed kan lära sig från varje position med ett semantiskt ID under träningen, men vid inferens använda en token per objekt och ändå beräkna samma funktion. Det är den centrala förändringen som ska göra det möjligt att få in mer av en användares historik i ett fast kontextfönster. Systemet låter också Pinterest styra hämtningen mot olika mål. Författarna beskriver målstyrda utdata, förstärkningsinlärning och en straffterm som motverkar upprepade prefix i genererade ID:n. Tillsammans ska dessa funktioner stödja mål som är specifika för olika ytor och ge en mer varierad uppsättning kandidater. Artikelns sammanfattning förklarar inte hur målen ställs in för enskilda användare. ## Vad har förändrats i Related Pins? Författarna uppger att PinGER används i Pinterest-funktionen Related Pins och har ökat antalet sparade nya Pins med 3.60% och det totala antalet sparade Pins med 0.62%. De rapporterar också att ytans fördröjning från början till slut minskat med 0.7% och säger att PinGER eliminerade kostnaden för den sökning efter närmaste granne som systemet ersatte. Det här är resultat som rapporterats av systemets författare; sammanfattningen anger ingen mätperiod eller några trafikuppgifter. PinGER:s serverlösning är utformad för generering med bred strålsökning, vilket innebär att många möjliga utdata utforskas, och begränsar avkodningen till giltiga objektidentifierare. Därefter slår systemet upp kandidaterna med hjälp av ett index som lagras på värddatorn. Artikeln presenterar kombinationen av kompakt indata, kontrollerad generering och serverinfrastruktur som en del av ett system som redan används i en rekommendationsprodukt, inte bara i ett laboratorietest. ## Fakta - PinGER används i Pinterest-funktionen Related Pins, enligt författarna. - Författarna rapporterar en ökning på 3.60% av antalet sparade nya Pins och en ökning på 0.62% av det totala antalet sparade Pins. - Författarna rapporterar att fördröjningen från början till slut i Related Pins minskat med 0.7%. - PinGER ersätter sökningen efter närmaste granne och använder ett index som lagras på värddatorn för att slå upp kandidaterna. ## Varför det spelar roll För personer som bläddrar bland Related Pins tyder den rapporterade ökningen av antalet sparade Pins på att rekommendationerna kan leda till att fler Pins sparas, samtidigt som den uppmätta förändringen i fördröjning är liten. Sammanfattningen anger inte hur länge resultaten mättes eller hur de varierar mellan användare, så den visar inte om en enskild person kommer att märka någon skillnad. ## Källor och referenser 1. [PinGER: Token-Efficient Generative Retrieval with Semantic IDs](https://arxiv.org/abs/2610.33435) – arXiv cs.IR, 2026-10-27 Senast uppdaterad: 2026-10-27