Whole‑page 排序需要在广告和自然内容之间同时优化业务收益与用户参与度，并受限于复杂的页面布局和业务约束。现有的非自回归（NAR）方法能够快速生成页面，但通常在为候选项打分时忽略已选项的上下文，导致难以捕捉顺序相关的交互。自回归（AR）方法通过顺序条件化解决了此问题，却带来显著的推理开销，难以在大规模场景中部署。\n\n我们提出 Multi‑Item Scoring（MIS），一种前缀感知的 NAR 框架，能够在保持高效的前提下引入顺序上下文。MIS 通过共享表示层实现全局候选交互、局部前缀条件化以及位置感知打分。系统在每次请求时仅计算一次可复用的表示，然后在受约束的束搜索过程中进行轻量级的前缀条件化打分，从而在不进行完整模型多次前向的情况下捕获关键的顺序依赖。\n\n在 KuaiRand‑1K 与 RL4RS 数据集上的实验表明，MIS 的生成质量接近自回归 CGA 基线，同时在 CPU 解码上分别提升 4.07 倍和 3.54 倍。进一步在大规模社交视频平台的随机实验中，MIS 将实现指标提升 0.104%，观看时长提升 0.058%，并将排序服务的 CPU 消耗降低 9.73%。这些结果证明，前缀感知的多项打分能够在保持工业级效率的同时缩小 NAR 与 AR 之间的质量差距。\n\n点评