高德地图正尝试将积累二十年数据与大模型技术结合，将地图从“静态底图”升级为具备思考能力的“活地图”。G-Action技术通过生成式大模型精准预判用户在不同场景下的意图，不仅能推荐去哪，还能预测做什么，从而大幅提升服务效率与用户体验。
智能速览
地图服务正从“静态底图”向“动态认知”转变
G-Action利用大模型捕捉行为流的语义相关性
采用自然语言Prompt整合历史与实时时空信息
使用DPO技术对齐用户真实行为模式
线上实测显示到店与邀评场景点击率均有显著提升
精华内容
传统推荐难以捕捉行为间的逻辑关联，引入大语言模型构建G-Action框架，旨在用户打开App的第一时间，精准预判其最想做的事。
传统推荐瓶颈
传统地图推荐链路多采用召回加排序的方式，往往忽略了用户行为的流式特征和时空语义。用户行为存在周期性、连贯性与匹配性，传统模型容易陷入“信息茧房”，仅推荐高频行为，导致关键信息遗漏，无法满足用户在特定时刻的特定需求，也无法理解“导航”与“评价”之间的逻辑顺序。
生成式架构设计
基于Qwen大模型进行SFT微调，构建了G-Action生成式框架。该模型将多模态上下文转化为自然语言Prompt，输入用户历史访问记录、高频偏好、当前时间位置及天气等信息。
不同于传统排序，大模型直接生成下一个Action和目标POI。这种设计利用了语言模型的序列特性，让模型学会用户的“行为流”，理解动作之间的逻辑承接关系。
数据与Prompt工程
为了保证预测准确性，团队在Prompt构造上进行了精细化设计。历史记录按时间倒序组织，以形成连贯的行为序列；高频访问记录则归纳出用户周期性规律，节省Token消耗。
针对线上数据严重不平衡的问题，对下单、评论等弱势行为进行了过采样处理，确保模型能全面学习各类用户意图，避免偏向导航等高频行为。
DPO对齐技术
在训练策略上，引入了DPO（直接偏好优化）技术。筛选出“查看团购-下单购买-导航到店-写评价”这一完整链路作为正例，随机采样的Action作为负例。
这种方法有效对齐了用户的真实行为模式，强化了模型对动作逻辑的理解，使得推荐结果更符合人类行为习惯，而不仅仅是概率上的最优解。
实测效果显著
离线评估显示，生成式模型在Top-1准确率上表现优异，使用自然语言编码Action使准确率相对提升8.1%。线上应用在到店卡片和邀评卡片后，UV点击率分别提升了0.74%和1.28%。
实战案例表明，模型能根据用户用餐结束的状态，智能推荐“写评价”而非单纯的“回家路线”，展现了传统算法无法具备的语义理解能力。
G-Action技术的成功应用，标志着地图应用开始具备“预判未来”的能力。未来随着MoE架构的引入和G-Plan能力的演进，地图将不再仅仅是工具，而是能主动规划行程的智能生活助手。你准备好迎接这张会思考的“活地图”了吗？
