# LinkedIn用大模型评分加快资料标签判定

> LinkedIn团队称，逐一为候选项评分可缩短处理时间，也降低候选项顺序对标签结果的影响。

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

一组LinkedIn研究人员介绍了如何用语义评分取代生成YES/NO列表，为个人资料添加资格标签。系统不再生成一整列判断结果，而是通过一次模型处理为每个候选标签评分，无需生成完整答案。论文称，候选项顺序改变时，该方法最多只会改变0.01%的判定；在与参考标签的一致性方面，它与打包生成相当，所需训练样本对约为后者的1/4.7。

一种名为Multiple-Item Scoring的批处理方法，在离线环境中将吞吐量提升了1.24倍，在模型服务中提升了1.9倍，同时满足99百分位延迟不超过一秒的目标。论文称，离线系统使用可复用的Ray Data API，服务端则依托SGLang提供的支持。

## 事实

- 论文称，在99百分位延迟不超过一秒的目标下，模型服务吞吐量提升了1.9倍。
- 论文于2026年10月28日发表于arXiv。

## 为什么重要

对于负责为LinkedIn个人资料添加标签的团队，这些提升意味着在相同的服务时限内或许能处理更多候选项；论文没有说明其他机构能否使用这种方法。

## 来源与参考

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

最后更新: 2026-10-28