Pinterest byter klustring mot finjusterad Qwen3 4B
Modellen läser upp till 150 händelser över 360 dagar och skriver rankade journey-namn som JSON.
Pinterest har flyttat sin journey-inferens från en flerstegs-pipeline med keyword-klustring till en finjusterad språkmodell. En Qwen3-modell med 4 miljarder parametrar läser användarens aktivitet och skriver tillbaka en rankad lista med journey-namn.

En journey är enligt Pinterest ett längre mål som binder ihop intresse, avsikt och kontext över flera sessioner. Exempel: någon som renoverar kök söker skåp, sparar backsplash och tittar sedan på belysning. Det tidigare systemet extraherade nyckelord, klustrade dem, namngav klustren och rankade med extra modeller. Det kunde splittra samma projekt i flera journeys eller ge generiska etiketter.
Så fungerar genereringen
Den nya pipeline behandlar inferensen som en genereringsuppgift. Prompten innehåller en kompakt användarprofil och en kronologisk logg med upp till 150 händelser över 360 dagar. Sök och spara väger tyngre än tillfälliga klick. Utdata är strikt JSON med journey-namn. Temperatur 0, resonemangstokens av, max 300 utdatatokens.
Pinterest genererade syntetiska träningspar med frontier-modeller och finjusterade öppna Qwen3-varianter (0,6B till 8B) med SFT och LoRA. 4B-modellen valdes som produktionsstandard för balansen mellan kvalitet och genomströmning.
Resultat och servering
I första onlineexperimentet i USA och Kanada ökade mejlklick 1,1 procent och push-öppningar 1,3 procent jämfört med klustringssystemet, enligt Pinterest. Serveringen använder NVIDIA Dynamo framför vLLM-workers på L40S-GPU:er. Ett stort genomströmningsgrepp är att hoppa över användare som infererats de senaste dagarna. Detaljer finns i Pinterest Engineering-inlägget From Activity to Intent.