苹果（apple）近期公布了一项前沿技术研究成果，揭示其正加速将大型语言模型（llm）整合进 app store 的搜索排序机制中。题为《扩展搜索相关性：借助 llm 生成判断以增强 app store 排名》的技术报告指出，通过 ai 自动生成的「语义相关性标签」对排序系统进行训练，可显著提升用户搜索后的转化效率及应用下载量。
突破人工标注瓶颈！LLM 高效补足高质量相关性标签缺口
据研究团队介绍，App Store 当前的排名逻辑主要依托两类核心信号：其一是反映用户真实互动行为的「行为相关性」（如点击、安装等），其二是评估搜索关键词与应用描述文本匹配程度的「文本相关性」。
尽管行为数据体量庞大、易于采集，但高精度的文本相关性标注长期依赖人工审核——不仅耗时费力、成本高昂，更难以覆盖海量应用与多元语言场景，严重制约了模型迭代速度与泛化能力。为此，苹果专门构建了一个参数量达30亿的定制化 LLM，使其深度学习专业评审员的判别逻辑，并基于数百万款应用的元数据及真实用户搜索请求，批量生成结构化、高可信度的相关性标签。
更多科技职缺资讯请至科技专区：https://www.php.cn/link/d4b949cac7611fae5f8dee7eae4f6caf
全球范围 A/B 测试验证成效显著
在完成多轮离线效果评估后，苹果进一步在真实流量环境中启动了覆盖全球市场的 A/B 测试。数据显示，启用 AI 增强型排序模型后，搜索转化率（即单次搜索会话中至少促成一次下载的比例）提升了 0.24%。
尽管该数值看似微小，但在一个已高度成熟、日均处理数十亿次查询的工业级搜索系统中，这一进步被研究团队明确认定为「具有统计学与工程实践双重意义的显著跃升」。该优化效果已在全美市场及全球 89% 的 App Store 区域中稳定复现。
商业价值凸显：年增下载量预计达数千万级
以 2025 年全球预估约 380 亿次的应用下载总量为基准，0.24% 的转化率提升相当于每年新增数千万次有效下载。对于大量依赖自然搜索曝光获取用户的中小型开发者而言，这无疑是一次关键性的生态红利释放。
综上所述，苹果此次研究有力印证了 LLM 在规模化生成高质量训练样本方面的独特优势。此举不仅大幅削减人工标注投入，更推动 App Store 搜索系统从“关键词匹配”迈向“语义理解”，从而全面提升平台匹配精度与开发者获客效率。
