前面粗排的相关工作仅仅把算力看做系统的一个常量，模型和算力的优化是分离的。我们重新思考了模型和算力的关系，从两者联合设计优化的视角出发，提出了新一代的粗排架构 COLD （Computing power cost-aware Online and Lightweight Deep pre-ranking system）。它可以灵活对模型效果和算力进行平衡。COLD 没有对模型进行限制，可以支持任意复杂的深度模型。这里我们把 GwEN（group-wise embedding network）作为我们的初始模型结构。它以拼接好的特征 embedding 作为输入，后面是多层全连接网络，支持交叉特征。当然，如果特征和模型过于复杂，算力和延时都会难以接受。因此我们一方面设计了一个灵活的网络架构可以进行效果和算力的平衡。另一方面进行了很多工程上的优化以节省算力。本文已被 DLP-KDD 2020会议收录。