# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
近日，快手与清华大学孙立峰团队联合发表论文《Towards User-level QoE: Large-scale Practice in Personalized Optimization of Adaptive Video Streaming》，被计算机网络领域的国际顶尖学术会议 ACM SIGCOMM 2025 录用。该论文提出了一种创新的视频流优化系统 —— 灵犀系统，这是业界首个成功部署在大规模生产环境中、面向用户个性化体验的自适应视频流优化系统。
ACM SIGCOMM 是全球计算机网络领域历史最悠久、声望最高的旗舰学术会议之一。该会议对论文的质量和创新性有着极为严苛的标准，每年录用率极低。入选 SIGCOMM 的论文通常代表了网络研究的最新突破和未来方向，不仅要求研究工作具有坚实的理论基础和系统性的实践验证，更强调其对学术界和工业界的深远影响。历史上，从奠定互联网基石的 TCP/IP 协议到引领网络变革的软件定义网络（SDN）等诸多里程碑式的技术，都曾在 SIGCOMM 上首次亮相，深刻推动了全球网络技术的发展与演进。
视频流体验的个性化优化在学术界与工业界已进行诸多探索。然而，现有的方法在真实的大规模生产环境部署中，常常面临着一些根本性制约，如显式用户评分干扰用户体验、控制带宽进行播放干预导致体验受损、优化不连续以及难以规模化等。灵犀（LingXi）系统的设计初衷便是为了系统性地攻克这些难题，实现一个真正可部署、可持续、无打扰的个性化 QoE 优化框架。如下表 1 清晰地展示了灵犀系统与既往方法的核心区别：
表 1：灵犀系统与既有工作的核心区别
1. 系统级 QoS 优化的性能瓶颈
为了验证传统 QoS 优化方法的局限性，我们进行了一项为期数天的大规模线上 A/B 测试。实验组采用两种不同的 QoS 优化倾向：Alg2（基线）、Alg3（优先保障视频质量）、Alg1（优先降低卡顿）。如图 1 所示，尽管各算法在具体 QoS 指标（图 1-a；1-b）和线性 QoE 模型（图 1-c）上表现出差异，但在最核心的真实用户体验指标 —— 总观看时长（图 1-d）上，没有任何算法表现出持续且具有统计显著性的优势。这一结果证明，在现代视频流系统中，仅提升系统级的 QoS 指标已难以直接转化为真实用户体验的改善，传统的优化路径已趋于饱和。
(a) 目标 3 实现了最高的视频质量
(b) 目标 1 实现了最低的卡顿时间
(c) 目标 1 实现了最高的线性 QoE 分数
(d) 没有算法可以取得明显的观看时长提升
图 1：A/B 测试中具有不同优化目标的算法获得的 QoS 和 QoE。
2. 识别关键 QoE 影响因子：聚焦 “卡顿”
为了寻找新的优化突破口，我们必须理解不同 QoS 指标对用户行为的真实影响。我们以 “用户退出率” 作为衡量 QoE 的细粒度指标，分析了上百万条真实播放轨迹。
(a) 视频质量
(b) 视频流畅性
(c) 整体卡顿时间
(d) 复合效应下的卡顿时间
图 2：QoS 指标对退出率的影响。
如图 2 所示，我们发现不同 QoS 指标对退出率的影响存在显著的量级差异：
结论 1：在所有 QoS 指标中，卡顿事件是影响用户体验的最主要负向因素。由于其影响的权重远超其他因素，且用户行为本身存在大量与 QoS 无关的噪声，因此，对影响较小的指标进行个性化建模极易被噪声淹没。一个有效的个性化 QoE 优化系统，必须将建模的重心放在用户对卡顿的响应上。
3. 验证个性化优化空间：用户感知的 “千人千面”
在确定卡顿为核心优化目标后，我们进一步探究了用户对卡顿的感知是否存在个体差异。
(a) 平均可容忍卡顿时间的累积分布
(b) 用户在遇到不同卡顿时间时的案例
图 3：卡顿的个性化感知。
如图 3 (a) 所示，用户平均可容忍卡顿时长的累积分布函数表明，用户间的卡顿容忍度差异巨大，并且具有一定稳定性。同时，图 3 (b) 展示了不同用户的真实反应曲线，清晰地呈现出三种模式：敏感型（卡顿轻微增加，退出率即飙升）、阈值敏感型和不敏感型。
结论 2：用户对卡顿的感知和容忍度存在显著的、稳定的个体差异性与时间动态性。这为实现用户级的个性化 QoE 优化提供了坚实的理论基础和巨大的优化空间。
基于以上洞察，我们设计了灵犀系统。它并非一个全新的 ABR 算法，而是一个可以与任何现有 ABR 算法兼容的动态优化目标调整模块。灵犀系统的模块化架构使其能够便捷地集成到现有传输系统中，不对播放过程进行干预保证了生产环境安全，基于用户自然观看行为无需显式反馈避免打扰用户体验，同时通过实时追踪用户偏好变化实现持续的个性化优化。灵犀系统的结构设计如图 4 所示。
图 4：灵犀系统概览
其核心架构由三个协同工作的组件构成：
1. 在线贝叶斯优化 (Online Bayesian Optimization, OBO)：参数的动态探索者
由于用户 QoE 与 ABR 参数之间的函数关系是未知的 “黑盒”，并且用户偏好会随时间动态变化。基于这一背景，我们需要一个样本效率高、能处理黑盒问题并适应动态环境的算法，即在线贝叶斯优化 (Online Bayesian Optimization, OBO)。灵犀系统会为每个用户独立运行 OBO 过程，利用历史 “参数 - 体验反馈” 数据点，构建高斯过程代理模型来拟合未知的目标函数。通过最大化采集函数（Acquisition Function），OBO 能够智能地在 “探索”（尝试不确定性高的参数）和 “利用”（选择当前最优的参数）之间进行权衡，为每个用户持续迭代寻找当前最优的 ABR 参数（如卡顿惩罚因子）。
2. 蒙特卡洛采样 (Monte Carlo Sampling)：决策的未来模拟器
当 OBO 给出一个候选参数后，灵犀系统会启动蒙特卡洛模拟。它基于用户历史网络状况建立带宽模型，并从当前播放器状态开始，进行多次独立的虚拟播放。在每次模拟中，系统都使用该候选参数驱动 ABR 进行决策，并利用退出率预测器计算每个 segment 的退出概率。最终，通过汇总所有模拟轨迹的平均退出率，来评估该候选参数的长期影响，从而实现对短期和长期 QoE 的对齐。
3. 混合退出率预测器 (Hybrid Exit Rate Predictor)：体验的精准量化器
图 5：混合退出率预测器神经网络架构
卡顿是影响 QoE 的主导因素，且其与其他 QoS 指标（如画质、观看时长）的交互效应复杂且非线性。因此，我们设计了一个混合模型来捕捉这种复杂性，既保证对核心痛点（卡顿）进行个性化精准建模，还有效避免了在低影响因素上的个性化建模所可能引入的噪声，从而实现了模型性能与鲁棒性的平衡。
我们在快手平台上进行了为期 10 天的大规模 A/B 测试，将灵犀系统与生产环境中经过高度优化的基线 ABR 算法进行对比。
1. 整体 QoE 与 QoS 双重提升
(a) 总观看时长
(b) 码率
(c) 卡顿时间
图 6：灵犀系统的 A/B 实验。
实验结果显示，灵犀系统在总观看时长（QoE）、平均视频码率（QoS）、总卡顿时长（QoS）方向上均取得了全面且显著的性能提升。这证明灵犀系统在优化用户主观体验的同时，也协同改善了客观服务质量指标。
2. 低带宽长尾用户的显著收益
灵犀系统更大的价值体现在对播放体验更敏感的低带宽用户上。
(a) 在线参数
(b) 卡顿时间
图 7：不同带宽下的灵犀系统性能
如图 7 所示：
3. 个性化优化的直接验证
为了验证灵犀系统在 “因人而异” 优化方面的效果，我们分析了用户的卡顿敏感度与其对应参数之间的关系。
图 8：多日卡顿退出率与ABR参数关系分析。
如图 8 所示，用户的卡顿退出率（衡量其对卡顿的敏感度）与系统为其分配的 ABR 参数之间存在明显的负相关关系。即对卡顿越敏感（退出率越高）的用户，系统分配的参数越保守，反之亦然。
灵犀（LingXi）系统的成功实践，标志着自适应视频流优化范式的一次关键演进，即从以往追求单一、静态的系统级优化目标，转向了为成千上万个动态、独立的个性化用户目标提供量身定制的策略，实现了真正的 “千人千面”。
该系统通过混合预测器、蒙特卡洛模拟与在线贝叶斯优化架构，精准量化并持续适应每个用户的独特体验偏好。在覆盖数千万用户的生产环境验证中，这一用户级优化范式不仅带来了整体 QoE 与 QoS 的双重提升，更关键的是，它为长期困扰行业的弱网用户带来了高达 15% 的卡顿减少，并直观地展现了为不同敏感度用户匹配差异化策略的能力。综上，灵犀系统为大规模、用户级的个性化 QoE 优化提供了突破当前行业瓶颈的关键路径。
文章来自于“机器之心”，作者“机器之心”。
