重新定義個性化視頻體驗，快手與清華聯合提出靈犀系統

2026-04-27 芯片 5g 6g 智能終端 it芯片 5g通信

文章圖片

文章圖片

文章圖片

文章圖片

文章圖片

文章圖片

文章圖片

文章圖片

文章圖片

文章圖片

文章圖片

文章圖片

文章圖片

近日，快手與清華大學孫立峰團隊聯合發表論文《Towards User-level QoE: Large-scale Practice in Personalized Optimization of Adaptive Video Streaming》，被計算機網絡領域的國際頂尖學術會議 ACM SIGCOMM 2025 錄用。該論文提出了一種創新的視頻流優化系統 —— 靈犀系統，這是業界首個成功部署在大規模生產環境中、面向用戶個性化體驗的自適應視頻流優化系統。

論文：《Towards User-level QoE: Large-scale Practice in Personalized Optimization of Adaptive Video Streaming》論文地址：https://dl.acm.org/doi/10.1145/3718958.3750526
ACM SIGCOMM 是全球計算機網絡領域歷史最悠久、聲望最高的旗艦學術會議之一。該會議對論文的質量和創新性有著極為嚴苛的標準，每年錄用率極低。入選 SIGCOMM 的論文通常代表了網絡研究的最新突破和未來方向，不僅要求研究工作具有堅實的理論基礎和系統性的實踐驗證，更強調其對學術界和工業界的深遠影響。歷史上，從奠定互聯網基石的 TCP/IP 協議到引領網絡變革的軟件定義網絡（SDN）等諸多里程碑式的技術，都曾在 SIGCOMM 上首次亮相，深刻推動了全球網絡技術的發展與演進。

視頻流體驗的個性化優化在學術界與工業界已進行諸多探索。然而，現有的方法在真實的大規模生產環境部署中，常常面臨著一些根本性制約，如顯式用戶評分干擾用戶體驗、控制帶寬進行播放干預導致體驗受損、優化不連續以及難以規模化等。靈犀（LingXi）系統的設計初衷便是為了系統性地攻克這些難題，實現一個真正可部署、可持續、無打擾的個性化 QoE 優化框架。如下表 1 清晰地展示了靈犀系統與既往方法的核心區別：

表 1：靈犀系統與既有工作的核心區別

一、背景：從傳統 QoS 到個性化 QoE 的轉變

1. 系統級 QoS 優化的性能瓶頸

為了驗證傳統 QoS 優化方法的局限性，我們進行了一項為期數天的大規模線上 A/B 測試。實驗組采用兩種不同的 QoS 優化傾向：Alg2（基線）、Alg3（優先保障視頻質量）、Alg1（優先降低卡頓）。如圖 1 所示，盡管各算法在具體 QoS 指標（圖 1-a；1-b）和線性 QoE 模型（圖 1-c）上表現出差異，但在最核心的真實用戶體驗指標 —— 總觀看時長（圖 1-d）上，沒有任何算法表現出持續且具有統計顯著性的優勢。這一結果證明，在現代視頻流系統中，僅提升系統級的 QoS 指標已難以直接轉化為真實用戶體驗的改善，傳統的優化路徑已趨于飽和。

(a) 目標 3 實現了最高的視頻質量

(b) 目標 1 實現了最低的卡頓時間

(c) 目標 1 實現了最高的線性 QoE 分數

(d) 沒有算法可以取得明顯的觀看時長提升
圖 1：A/B 測試中具有不同優化目標的算法獲得的 QoS 和 QoE 。

2. 識別關鍵 QoE 影響因子：聚焦 “卡頓”

為了尋找新的優化突破口，我們必須理解不同 QoS 指標對用戶行為的真實影響。我們以 “用戶退出率” 作為衡量 QoE 的細粒度指標，分析了上百萬條真實播放軌跡。

(a) 視頻質量

(b) 視頻流暢性

(c) 整體卡頓時間

(d) 復合效應下的卡頓時間
圖 2：QoS 指標對退出率的影響。

如圖 2 所示，我們發現不同 QoS 指標對退出率的影響存在顯著的量級差異：

視頻質量 (圖 2-a)：影響量級在 10?3 。視頻平滑度 (圖 2-b)（碼率切換）：影響量級在 10?2 。卡頓時長 (圖 2-c)：影響量級在 10?1 ，是前兩者的 10 倍乃至 100 倍。
結論 1：在所有 QoS 指標中，卡頓事件是影響用戶體驗的最主要負向因素。由于其影響的權重遠超其他因素，且用戶行為本身存在大量與 QoS 無關的噪聲，因此，對影響較小的指標進行個性化建模極易被噪聲淹沒。一個有效的個性化 QoE 優化系統，必須將建模的重心放在用戶對卡頓的響應上。

3. 驗證個性化優化空間：用戶感知的 “千人千面”

在確定卡頓為核心優化目標后，我們進一步探究了用戶對卡頓的感知是否存在個體差異。

(a) 平均可容忍卡頓時間的累積分布

(b) 用戶在遇到不同卡頓時間時的案例
圖 3：卡頓的個性化感知。

如圖 3 (a) 所示，用戶平均可容忍卡頓時長的累積分布函數表明，用戶間的卡頓容忍度差異巨大，并且具有一定穩定性。同時，圖 3 (b) 展示了不同用戶的真實反應曲線，清晰地呈現出三種模式：敏感型（卡頓輕微增加，退出率即飆升）、閾值敏感型和不敏感型。

結論 2：用戶對卡頓的感知和容忍度存在顯著的、穩定的個體差異性與時間動態性。這為實現用戶級的個性化 QoE 優化提供了堅實的理論基礎和巨大的優化空間。

二、算法設計：靈犀系統的三大核心組件

基于以上洞察，我們設計了靈犀系統。它并非一個全新的 ABR 算法，而是一個可以與任何現有 ABR 算法兼容的動態優化目標調整模塊。靈犀系統的模塊化架構使其能夠便捷地集成到現有傳輸系統中，不對播放過程進行干預保證了生產環境安全，基于用戶自然觀看行為無需顯式反饋避免打擾用戶體驗，同時通過實時追蹤用戶偏好變化實現持續的個性化優化。靈犀系統的結構設計如圖 4 所示。

圖 4：靈犀系統概覽

其核心架構由三個協同工作的組件構成：

1. 在線貝葉斯優化 (Online Bayesian Optimization OBO)：參數的動態探索者

由于用戶 QoE 與 ABR 參數之間的函數關系是未知的 “黑盒” ，并且用戶偏好會隨時間動態變化。基于這一背景，我們需要一個樣本效率高、能處理黑盒問題并適應動態環境的算法，即在線貝葉斯優化 (Online Bayesian Optimization OBO) 。靈犀系統會為每個用戶獨立運行 OBO 過程，利用歷史 “參數 - 體驗反饋” 數據點，構建高斯過程代理模型來擬合未知的目標函數。通過最大化采集函數（Acquisition Function）， OBO 能夠智能地在 “探索”（嘗試不確定性高的參數）和 “利用”（選擇當前最優的參數）之間進行權衡，為每個用戶持續迭代尋找當前最優的 ABR 參數（如卡頓懲罰因子）。

2. 蒙特卡洛采樣 (Monte Carlo Sampling)：決策的未來模擬器

當 OBO 給出一個候選參數后，靈犀系統會啟動蒙特卡洛模擬。它基于用戶歷史網絡狀況建立帶寬模型，并從當前播放器狀態開始，進行多次獨立的虛擬播放。在每次模擬中，系統都使用該候選參數驅動 ABR 進行決策，并利用退出率預測器計算每個 segment 的退出概率。最終，通過匯總所有模擬軌跡的平均退出率，來評估該候選參數的長期影響，從而實現對短期和長期 QoE 的對齊。

3. 混合退出率預測器 (Hybrid Exit Rate Predictor)：體驗的精準量化器

圖 5：混合退出率預測器神經網絡架構

卡頓是影響 QoE 的主導因素，且其與其他 QoS 指標（如畫質、觀看時長）的交互效應復雜且非線性。因此，我們設計了一個混合模型來捕捉這種復雜性，既保證對核心痛點（卡頓）進行個性化精準建模，還有效避免了在低影響因素上的個性化建模所可能引入的噪聲，從而實現了模型性能與魯棒性的平衡。

個性化神經網絡：專門用于預測發生卡頓時用戶的退出率。該網絡（如圖 5 所示）輸入包括短期播放狀態（碼率、吞吐量、卡頓時長序列）和長期用戶狀態（歷史卡頓間隔、歷史卡頓 - 退出間隔），能夠捕捉復雜的非線性關系和用戶個體特征。整體統計模型：對于未發生卡頓的場景，由視頻質量、平滑度等影響較小的因素主導，我們使用從全體用戶日志中得到的統計模型進行預測。
三、實驗效果：大規模 A/B 測試的有力證明

我們在快手平臺上進行了為期 10 天的大規模 A/B 測試，將靈犀系統與生產環境中經過高度優化的基線 ABR 算法進行對比。

1. 整體 QoE 與 QoS 雙重提升

(a) 總觀看時長

(b) 碼率

(c) 卡頓時間
圖 6：靈犀系統的 A/B 實驗。

實驗結果顯示，靈犀系統在總觀看時長（QoE）、平均視頻碼率（QoS）、總卡頓時長（QoS）方向上均取得了全面且顯著的性能提升。這證明靈犀系統在優化用戶主觀體驗的同時，也協同改善了客觀服務質量指標。

2. 低帶寬長尾用戶的顯著收益

靈犀系統更大的價值體現在對播放體驗更敏感的低帶寬用戶上。

(a) 在線參數

(b) 卡頓時間
圖 7：不同帶寬下的靈犀系統性能

如圖 7 所示：

參數自適應：在低帶寬（2000 kbps）區域，卡頓風險高，靈犀自動為用戶分配了更保守的 ABR 參數；在高帶寬區域，則采用更激進的參數以追求更高畫質。卡頓優化效果：在帶寬低于 2000 kbps 的場景下，靈犀系統使卡頓時長減少了約 15% ，極大地改善了弱網用戶的觀看體驗。
3. 個性化優化的直接驗證

為了驗證靈犀系統在 “因人而異” 優化方面的效果，我們分析了用戶的卡頓敏感度與其對應參數之間的關系。

圖 8：多日卡頓退出率與ABR參數關系分析。

如圖 8 所示，用戶的卡頓退出率（衡量其對卡頓的敏感度）與系統為其分配的 ABR 參數之間存在明顯的負相關關系。即對卡頓越敏感（退出率越高）的用戶，系統分配的參數越保守，反之亦然。

四、總結

靈犀（LingXi）系統的成功實踐，標志著自適應視頻流優化范式的一次關鍵演進，即從以往追求單一、靜態的系統級優化目標，轉向了為成千上萬個動態、獨立的個性化用戶目標提供量身定制的策略，實現了真正的 “千人千面” 。

【重新定義個性化視頻體驗，快手與清華聯合提出靈犀系統】該系統通過混合預測器、蒙特卡洛模擬與在線貝葉斯優化架構，精準量化并持續適應每個用戶的獨特體驗偏好。在覆蓋數千萬用戶的生產環境驗證中，這一用戶級優化范式不僅帶來了整體 QoE 與 QoS 的雙重提升，更關鍵的是，它為長期困擾行業的弱網用戶帶來了高達 15% 的卡頓減少，并直觀地展現了為不同敏感度用戶匹配差異化策略的能力。綜上，靈犀系統為大規模、用戶級的個性化 QoE 優化提供了突破當前行業瓶頸的關鍵路徑。

推薦閱讀

上一篇：華為推出智慧屏新品MateTV，首次搭載旗艦手機級芯片

下一篇：當全世界向云端大模型狂奔，蘋果選擇回歸設備