# Pinterest använder Qwen3-modell med 4 miljarder parametrar

> Pinterest säger att modellen ökade klick på mejl och öppningar av pushnotiser i tester i USA och Kanada genom att analysera aktivitet över tid för att hitta långsiktiga mål.

Oossa · 2026-11-09 · https://oossa.com/sv/pinterest-uses-a-4b-qwen3-model-to-infer-user-journeys

Pinterest har ersatt sitt system i flera steg för att gruppera användarnas intressen med en finjusterad Qwen3-språkmodell med 4 miljarder parametrar. Företaget säger att ett första test i USA och Kanada ökade klickfrekvensen på mejl med 1,1 % och öppningarna av pushnotiser med 1,3 % jämfört med det tidigare systemet.

Pinterest kallar ett ”förlopp” ett mål som knyter samman en persons intressen, avsikter och omständigheter under flera sessioner. Sökningar efter köksskåp, sparade idéer för bänkskivor och senare surfande efter kakel eller belysning kan till exempel tyda på ett och samma renoveringsprojekt, snarare än separata intressen. Modellen använder de förlopp den härleder i Pinterests befintliga rekommendationssystem – den ersätter inte systemet.

## Så fungerar det nya systemet

Den gamla processen hämtade nyckelord från användarnas aktivitet, grupperade dem med hjälp av inbäddningar och hierarkisk klustring och använde sedan andra modeller och regler för att namnge och rangordna grupperna. Pinterest säger att det kunde leda till att relaterade aktiviteter delades upp i olika förlopp, att etiketterna blev vaga eller att ett tillfälligt klick tolkades som ett varaktigt intresse.

Den nya modellen läser en kronologisk historik med upp till 150 aktiviteter under en period på 360 dagar, tillsammans med en kompakt användarprofil, och skapar rangordnade namn på förlopp. Sökningar och sparade objekt väger tyngre än tillfälliga klick. Instruktionerna betonar upprepad aktivitet, hur nyligen den ägt rum och hur specifik den verkar vara. Modellen instrueras också att inte slå samman orelaterade intressen, att filtrera bort enstaka aktiviteter och att inte ange något förlopp när underlaget är svagt.

Pinterest använde större modeller för att skapa syntetiska träningsdata från aktivitetshistorik och finjusterade sedan mindre Qwen3-modeller med öppna vikter. Efter att ha testat modeller med 0,6 till 8 miljarder parametrar valde företaget versionen med 4 miljarder parametrar för att få en balans mellan kvaliteten på slutsatserna och svarshastigheten. Pinterest kör modellen med NVIDIA Dynamo och vLLM på L40S-GPU:er och undviker att köra inferens igen för användare vars förlopp skapades under de senaste dagarna.

## Vad mätte Pinterest?

Pinterest utvärderar kvaliteten på förloppen genom jämförelser sida vid sida, en separat språkmodell som bedömer om ett förlopp är relevant och stöds av användaraktiviteten, samt experiment i tjänsten. Företaget rapporterar statistiskt signifikanta ökningar av engagemang och retention i de första A/B-testerna, utöver ökningen av klick och öppningar. I den redogörelse som tillhandahållits angav företaget inte hur stor ökningen av retention var.

Metoden påminner om hur Netflix använder långa sekvenser av medlemsaktivitet för att förbättra rekommendationssystem. Pinterest skapar uttryckliga beskrivningar av förlopp, medan Netflix har beskrivit hur tjänsten skapar återanvändbara representationer av preferenser. Båda för in långsiktiga beteendemönster i befintliga system för personalisering.

## Fakta

- Modellen analyserar upp till 150 användaraktiviteter från en period på 360 dagar, tillsammans med en kompakt profil.
- Pinterest testade Qwen3-modeller med 0,6 till 8 miljarder parametrar och valde modellen med 4 miljarder parametrar.
- I de första A/B-testerna i USA och Kanada rapporterar Pinterest 1,1 % högre klickfrekvens på mejl och 1,3 % fler öppningar av pushnotiser än med det klusterbaserade systemet.
- Pinterest säger att testerna också visade statistiskt signifikanta ökningar av engagemang och retention, men angav inte hur stor ökningen av retention var.

## Varför det spelar roll

För Pinterest-användare kan förändringen göra att mejl och pushnotiser om projekt bättre speglar aktivitet som sträcker sig över flera besök. Pinterest rapporterar högre klick- och öppningsfrekvens i de första testerna. Resultaten visar inte om alla användare får mer relevanta rekommendationer eller hur stor förbättringen av retention var.

## Källor och referenser

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

Senast uppdaterad: 2026-11-09