Обновлённый ранкер и алгоритм Брезенхема дали +11% времени в ленте ВКонтакте
В 2026 году команда рекомендаций ВКонтакте внедрила новые модели ранжирования и графический алгоритм Брезенхема, что привело к росту времени в ленте пользователей на 11 %.
Команда рекомендаций ленты ВКонтакте (AI VK) под руководством Степана Малькевича объявила о серии технических улучшений, которые уже в 2026 году увеличили среднее время, проведённое пользователями в ленте, на 11 %.\n\nГлавным драйвером роста стал обновлённый ранкер – новая версия модели ранжирования, построенная на гибриде градиентного бустинга и трансформеров. Модель учитывает не только традиционные сигналы (лайки, комментарии, репосты), но и контекстные признаки: время суток, тип устройства и исторические паттерны взаимодействия. По результатам A/B‑тестов, новая модель повысила CTR на 7 % и уменьшила количество "плохих" рекомендаций на 15 %.\n\nВторым важным нововведением стал алгоритм Брезенхема, адаптированный под задачу динамической отрисовки «карточек» в ленте. Традиционный алгоритм рисования линий был переосмыслен для оптимизации расчётов позиционирования элементов при бесконечной прокрутке. Это позволило сократить время рендеринга на клиенте в среднем на 23 мс, что в сумме с ускорением серверных запросов дало заметный прирост пользовательского опыта.\n\nКроме того, команда внедрила потоковую инференцию: модели ранжирования теперь обслуживают запросы в реальном времени, а не в батч‑режиме, что уменьшило латентность с 120 мс до 68 мс. Все изменения прошли сквозную валидацию на более чем 5 млн активных пользователей, подтверждая стабильность и масштабируемость решения.\n\nИтоги: +11 % времени в ленте, рост удержания, снижение оттока и повышение рекламных доходов. VK планирует дальше развивать гибридные модели и расширять графические оптимизации, чтобы поддерживать рост пользовательской активности в условиях усиливающейся конкуренции.
Для AI‑разработчиков это подтверждает, что комбинация улучшенных моделей ранжирования и низкоуровневой графической оптимизации может дать ощутимый рост метрик. Стоит обратить внимание на гибридные подходы (градиентный бустинг + трансформеры) и адаптацию классических алгоритмов (Брезенхем) под современные UI‑задачи. При планировании экспериментов важно измерять не только CTR, но и латентность рендеринга, так как пользовательский опыт формируется из обеих составляющих. Такие интегрированные улучшения могут стать конкурентным преимуществом в любой соцсети.


