Pinterest 开发了一种名为 Nexus 的新型轻量级排序模型，该模型超越了传统的双塔架构。Nexus 模型联合预测点击率（pCTR）、优质点击率（pGCTR30）和外链点击率（pOCTR）。为高效支持这些预测，针对每个任务对嵌入向量进行分段处理。Nexus 系统支持更复杂的模型架构，如交叉注意力机制和序列建模。然而，每次请求需对数十万候选项进行打分，带来了显著的延迟与成本挑战。为此，设计了一种三塔协同训练模型，将快速的双塔预测与更丰富的三塔预测相结合。该架构保留了原有的查询塔（query tower）和 Pin 塔，以实现高效的缓存与点积预测。同时引入第三个交叉塔（cross tower），利用用户序列与候选特征之间的注意力机制，并通过交互模块（inter module）融合这些嵌入向量。模型采用协同训练方式，既能为所有候选项生成快速分数，又能为子集生成更准确的分数。该方法通过将计算资源分配至影响最大的位置，实现了性能与延迟的平衡：交叉塔捕捉高阶交互，交互模块则为所有任务生成共享表示。训练过程采用多任务损失函数，对主要的三塔损失赋予更高权重，而辅助的双塔协同训练损失权重较低。这确保了三塔预测成为主要优化目标，同时保持快速双塔预测的质量。实施了一系列显著的推理优化以控制计算成本，包括在 Pin 塔中对 Pin 特征进行预处理以避免每次请求的计算开销，以及采用 BF16 低精度推理。这些优化大幅降低了 P99 模型推理时间，使得三塔方法在大规模场景下具备可行性。综合改进带来了显著的离线损失下降，并推动了线上业务指标的积极提升。