在当今市场中，将KOL（关键意见领袖）与多部分泰国营销标准匹配，通常依赖于基于关键词的结构化资料搜索，这种方法容易错过语义契合；而使用前沿LLM（大语言模型）逐一评估候选人虽然准确，但成本高且速度慢。为此，我们提出了InfluMatch，一个低成本的三阶段级联模型：检索 $\rightarrow$ 重新排序 $\rightarrow$ 理由，完全由小型开源权重模型构建。
该模型的流程如下：首先，密集检索返回50个候选人；接着，使用一个4B的逐点重新排序器，通过单个“Yes”令牌的对数概率对每个候选人打分，并保留10个；最后，一个4B的推理器根据泰国标准对入围的候选人进行评分。该级联设计旨在降低成本：在过滤后的前10名候选人上进行推理，可以将令牌消耗减半，而相较于对所有50个候选人进行推理，得分高出14点。
在与人类相关性标签的对比中，完整的级联在一个包含11个查询的测试集上达到了94.1%的P@5，而仅依赖检索的基线几乎是随机的；它的表现与前沿模型Kimi-K2.6（91.8%）相当，同时发出的输出令牌数量减少了约35倍，且在一台A100显卡上完成50个KOL查询的时间约为20秒。值得注意的是，唯一有效的微调是成对的：一个经过SimPO调优的重新排序器达到了前沿基线最佳选择精度（78.0 EM），而对推理器进行逐点标准标签的微调虽然提高了离线得分，却降低了端到端排名，这一反转现象可追溯于绝对标签任务的设计，最终导致未调优的基础模型成为最强的推理器。这一结果表明，InfluMatch是一个可部署且可解释的KOL搜索系统，且成本仅为前沿服务的极小一部分。
博主点评： InfluMatch通过小型开源模型的级联设计成功降低了KOL搜索的成本，并保持了高效的匹配精度。这种方法不仅在技术上具有创新性，也为营销领域的应用提供了新的思路，值得关注。其对微调方式的独特见解也为未来模型的优化提供了重要参考。