美团技术团队披露搜索3.0在服务零售排序场景中的三次迭代，核心是用大模型语义表征解决本地生活场景下Query与供给字面不匹配的问题。**一、破局服务零售** 服务零售品类繁多、供给非标准化，传统精排依赖文本字面匹配，难以应对长尾意图。例如“宠物 SPA+ 洗澡”对应“萌宠清洁护理套餐”，“春节大扫除”对应“深度保洁服务套餐”。美团通过为Query、商家（POI）和商品（Deal）生成语义向量，以cosine相似度形式注入排序模型，提升泛化能力。**二、三期技术演进** 1. **一期验证可行性**：使用小参数量开源基座模型全参数微调，引入特殊Token聚合锚点，通过Attention Mask隔离Query与商家信息，将Embedding相似度离散分桶后拼接到精排特征。离线点击NDCG提升，上线后支付订单与服务零售订单增长，长尾场景BadCase显著下降。 2. **二期商家精排升级**：构建五元组训练数据，引入InfoNCE Loss与Triplet Loss，优化多候选相对序；转向LoRA轻量化方案，采用MRL-E降维。商家精排点击GAUC与转化效率增强，大盘有效点击与结果页转化率（QV_CTR）上升。 3. **三期下挂精排与全域交叉**：将语义表征迁移至商品下挂层，通过场景对齐解决Query覆盖率不足；同步融合“个性化×商品”“Query意图×商品”等交叉特征，提升精细化排序能力。**三、总结** 美团将大模型语义理解转化为连续表征和离散分桶特征，打通复杂意图与非标准化供给之间的壁垒，提升本地生活搜索体验。