精排模型有一个天生的致命短板：
它是单点打分模型，只能保证每一个广告单品分数最优，完全不考虑「一屏展示组合、上下文排布、同质化挤压」。
而用户真实刷广告是连续浏览、一屏多看的体验，不是独立单点曝光。
这就是重排模块存在的核心价值：把单品最优，改成全局最优、体验最优、收益最优。
一、广告重排的两大核心目标
1. 全局组合最优
精排输出的是「单品最优序列」，重排输出的是「整屏最优组合」。适合电商、信息流一屏多广告场景（淘宝、京东、拼多多）。
用户浏览是连续行为，屏内多样性、品类穿插、高低质量穿插，直接决定整体转化率。
2. 序列多样性 & 破除信息茧房
打破模型惯性推荐，避免越推越窄。
在不明显损失核心收益的前提下，提升物料新颖性、品类丰富度、素材差异化，优化长期用户留存。
二、通用基线：MMR
MMR 是一种贪心迭代排序算法，核心目的非常明确：在不牺牲太多相关性的前提下，最大化列表多样性。
它的迭代逻辑极简：
- 第一轮：直接选取与用户请求相关性最高的高分物料，保证基础收益；
- 后续每一轮：优先选择「和用户需求相关性高，且和已选物料相似度最低」的 item。
简单理解：优先保高分，同时惩罚重复、同质化内容。
MMR 通过超参 λ 平衡两端收益：
MMR 分数 = λ・相关性分数 − (1−λ)・已选最大相似度
λ 越大越偏精排原始收益，λ 越小越偏多样性打散，工业广告场景一般取 0.6~0.8。
相比复杂模型重排，MMR 最大优势是无训练、低延迟、可解释、上线零成本。不需要模型推理，仅通过向量相似度迭代重排，完全不影响线上 RT，非常适合广告实时重排场景。
三、Transformer 深度重排：SORT-Gen
针对电商重排现存的行业痛点，淘宝提出 SORT-Gen 生成式列表级多目标重排框架，解决传统单品打分失效、序列收益次优、多样性与收益难以兼顾的问题。
传统重排模型仅优化单条物料精度，缺乏列表级全局优化；全排列搜索复杂度极高无法上线，逐次贪心推理延迟过大；MMR、DPP 等多样性策略均为后置打散，无法与多目标收益联合优化，容易造成指标互斥。
SORT-Gen 整体架构概述
该图分为
1、训练阶段：Sequential Ordered Regression Transformer（SORT 有序回归 Transformer）融合用户特征、商品信息、位置编码与精排预打分，通过因果掩码模拟真实浏览顺序。列表累积收益损失，不再拟合单品标签，而是对任意前缀子列表预测累积点击、转化、GMV，真正实现序列级全局收益建模，彻底解决单品打分偏差问题。
2、在线推理阶段：Mask-Driven Fast Generation 掩码驱动快速生成算法 两大模块，完整对应论文提出的双组件架构，解决电商重排列表级多目标优化（将多轮贪心迭代压缩为单次模型前向）、线上延迟（仅 19ms）、多样性（原生嵌入 MMR 多样性约束，在提升整体 GMV 的同时自动抑制同质化内容）三大痛点。
淘宝百亿补贴场景线上实验显示：相比传统贪心基线，点击提升 9.61%、转化提升 8.35%、GMV 提升 13.67%；对比现有最优 FFT+fastDPP 重排方案，GMV 仍提升 8.10%。消融实验证明，有序回归损失显著提升整体收益。
四、小结
重排作为广告链路的最后一道关卡，核心价值就是把单品最优升级为整屏全局最优。传统 MMR 算法凭借轻量、低延迟、可落地的优势，成为工业界通用基线，在保障精排收益的前提下有效打散同质化内容，平衡相关性与多样性。
而淘宝最新的 SORT-Gen 生成式重排框架，彻底突破了传统后置打散的局限，通过列表级序列建模 + 掩码高速推理 + 原生多样性约束，真正实现多目标收益与内容多样性的联合优化，以极低线上延迟大幅提升点击、转化、GMV 核心指标。
从简单贪心 MMR 到生成式 Transformer 重排，也代表广告重排的演进方向：从规则打散，走向全局序列智能优化，是提升平台长期收益与用户体验的关键模块。