AI 历史上反共识的闪耀思想

LLM 为什么会多了一个 mid-training

从 PixelUMM 看原生多模态与理解生成一体

OneTrans-DCGR：生成式召回的”CoT”与多目标机制

比经验和能力更重要的是看见和相信

OneTrans-V2：召粗精 OneModel

互联网持续晋升指南 

重新理解生成式召回：从负采样到物品编码

关于组织架构的一些思考

推荐系统迭代的本质是 Scaling：结构只是摩擦系数，Infra 才是核心能力

On-Policy Self-Distillation：LLM利用隐式文本反馈定向纠错与持续学习

国内LLM圈的共同选择：多快好省的MTP

为什么Anthropic能阶段反超OpenAI

DeepSeek-V4的并行策略和计算通信遮掩

我可能是 ADHD

从 DeepSeek V4 的多专家on-policy Distillation 反观人类学习

zero-claw：把 Claude Code 变成 openclaw 风格的个人助理

Superpowers-ML 支持 Auto Research：跑两天的 Human on the Loop

From Next-One to Next-N：这才是推荐系统的范式改变

让 Claude Code 成功率翻倍的 10 个简单习惯

Superpowers-ML：用 Superpowers 给 ML 实验做的 Harness Engineering

生成式推荐 (Generative Recommendation) 工业界深度 Survey

Vibe Coding 核心心法：管 Agent，如带团队

TCA 51%，MFU 不足 8%——GPU 的隐藏性能损耗

Blackwell Ultra 平台让 agentic AI 的推理成本相比 Hopper 时代下降了35倍

算法工程师的核心能力是什么

算法组织熵减与Scaling Law的悖论

2026：推荐系统 All-In Transformer 的元年

为什么LayerNorm+AdamW成了深度网络的标准配置？从尺度不变性到梯度动力学 

从RL比SFT更不容易遗忘到反观推荐系统缺陷

Talent Dilution Roofline：你的算法团队可能不需要再招人了？

OneTrans 推荐系统对齐序列处理与特征交叉

推荐系统的道法术器：自然模态与LLM为师

从信息瓶颈视角聊聊推荐系统

时隔一年，贴一下当时的生成式推荐精读笔记

推荐系统里的“七伤拳”：那些高ROI但长期有损的优化

记19年的生成式重排工作，才知道这个强化方法叫GRPO

互联网六点下班的推荐算法团队

互联网公司怎么拿到好的绩效

推荐模型切换到专业级GPU：为什么要把矩阵维度设置成64的倍数

来新加坡Tiktok一年多了，给各位大佬做个汇报

所谓技术深度

给校招算法同学的几点建议

我在阿里遇到的牛人

基于物品的协同过滤i2i--算法、trick及分布式实现

faiss-on-mr：推荐系统大规模离线向量检索工具

互联网管理里面的两个深坑——手表定律与责权不一

左高玩的推荐系统(一)：一天就能搞定的实时个性化推荐系统

推荐算法三视角:矩阵，图，时间线

YouTube年度最大收益：强化学习遇到推荐系统

AI 技术日报 - 2026-11-11

AI 技术日报 - 2026-11-10

AI 技术日报 - 2026-11-09

AI 技术日报 - 2026-11-08

AI周报 2026-W45

AI 技术日报 - 2026-11-07

AI 技术日报 - 2026-11-06

AI 技术日报 - 2026-11-05

AI 技术日报 - 2026-11-04

AI 技术日报 - 2026-11-03

AI 技术日报 - 2026-11-02

AI 技术日报 - 2026-11-01

AI周报 2026-W44

AI 技术日报 - 2026-10-31

AI 技术日报 - 2026-10-30

AI 技术日报 - 2026-10-29

AI 技术日报 - 2026-10-28

AI 技术日报 - 2026-10-27

AI 技术日报 - 2026-10-26

AI 技术日报 - 2026-10-25

AI周报 2026-W43

AI 技术日报 - 2026-10-24

AI 技术日报 - 2026-10-23

AI 技术日报 - 2026-10-22

AI 技术日报 - 2026-10-21

AI 技术日报 - 2026-10-20

研究 AI 的发展史，有一类思想是读来觉得无比震撼的：它在当时的时间点是反共识的，至少不是主流，甚至会被戏谑，而其预言今天又在 LLM 驱动的智能进展中完全地或部分地应验。
重新理解这些思想，了解当时的背景与共识，除了感受其闪耀之外，也能对今天已经司空见惯的概念有更深入的理解，是一种从似然到先验的通达。它使得关于技术的直觉更为敏锐，某种程度上可以迁移到其他领域，比如推荐系统，如果把它视为“智能推荐”，那么它在这些思想中是否未来会应验？

如果描述下大模型的训练过程，每个人都能熟练讲出 Pre-Train 和 Post-Train 的内容，而这两年 Mid-Train 的概念开始慢慢被熟知。有人说它就是换了个名字的 CPT（Continue Pre-Train），也有人说它是LLM 里现在最关键的一环。
起源
Mid-Train 这个概念源自于 OpenAI，它不仅是 LLM 的一个训练环节，还是一个独立的 Team。看 Karpathy 的个人主页写着：23～24 年，他重返 OpenAI 构建了一个新的团队，做midtraining与合成数据生成。

过去几年，NLP 经历了一次彻底的统一：翻译、摘要、问答、分类，曾经各有专用的模型和流水线，最后都被一个 LLM 取代。多模态的理解和生成正在走同样的路。
在多模态理解和生成这条线上，NVIDIA 九月底发布的 PixelUMM（Encoder-Free Unified Image and Video Understanding and Generation）是一个很好的代表。它在像素空间里同时做图像、视频的理解和生成：没有 ViT，没有 VAE，像素和 Transformer 之间只有一层线性层。单看榜单它并不突出，作者自己的结论也只是与基线"可比"。但借这一篇论文，恰好能把生成领域这几年的核心问题串起来：输入为什么不再外挂编码器，理解和生成为什么要放进一个模型，生成的输出和 loss 又是怎样从 latent 走到像素的。

之前分享过 OneTrans-V2 的工作，无论是 paper 还是 blog，篇幅和关注点更多放在 OneModel 上，其中提到的生成式召回 DCGR（Decision Conditioned Generative Retrieval）反而没有展开，这值得单独讲讲。

大家问得最多的一个问题是：它有没有把其他路召回（比如双塔）替代掉？这事值得细说。

我们招一个有经验的人进来，通常默认他的价值是"做过"：他知道方案，知道坑在哪里，所以能更快把事情做出来。
但仔细想会发现一个问题。换了公司，infra 不一样，数据不一样，业务约束和组织形态也不一样，他以前的实现细节可能 80% 都没法复用。他不可能在新环境里照搬旧方案。
那他凭什么还是能做出来？我的答案是：他未必知道路径，但他见过终点，知道这件事是能做出来的。他见过，所以他相信。
人和人的差距，很多时候不是能力，而是看见和相信。一个人没办法做出他不相信的东西，再强的人也不行。

符合之前一贯的哲学，推荐系统里的问题用一个 Transformer 就能解决，如果不能那就再 Scaling 一下。用工程确定性取消算法的玄学性，把更多的精力用于算法和 Infra 的 Co-Desgin。
这是我年初写下的一个判断。现在回头看，这个趋势比当时预想得还要明显：越来越多公司的推荐系统开始收敛到 Transformer 架构。区别逐渐不再是“要不要 Transformer”，而是数据怎么 Tokenize、Attention 怎么做，以及如何通过算法和 Infra 的 Co-Design 把它 Scale 起来。

到今年 7 月，我工作就满 10 年。十年观察下来，毕业时起点相似的人，后来的差距甚至在 10 倍以上。有人第一个职级就卡住，换行业重启；有人顺利升两三级，一直升到天花板；也有人一直在跳槽，情况却越来越糟。这个差距不是努力决定的，能在大厂活下来的人，没有一个不努力。
决定差距的，是运气和认知。
运气不可控，认知可以。这篇文章想拆掉思维里的几堵墙（误区）。之后，正常的路径会自然显露出来，有些甚至是捷径。

生成式召回如果不是轻轻松松地拿到收益，大概率是做错了。
其实生成式比双塔简单
一方面，业界越来越多的人用生成式召回很快拿到了不小的业务结果；另一方面来与和传统召回对比，相比从零到一落地一套双塔召回，生成式召回在建模和 infra 上其实简单得多。这听起来有点反直觉：在一家推荐 Infra 足够成熟的公司里，上线一路双塔已经非常标准化，生成式召回反而容易被当成更新、更复杂的技术。但这只是因为业界在双塔上积累了接近十年的 Infra 和认知，很多今天看来理所当然的能力，当年都不是免费的。

第一次听到“技术深度”这个词，是我工作的第二年。那时候我觉得工作已经比较得心应手，绩效反馈也很好，拿到了第一次晋升机会。但在 review 的过程中，我第一次被挑战了一个问题：技术深度不足。
我其实没有理解什么叫“技术深度”，第一反应是“技术难度”。当时我的工作都很业务导向，但也不乏有难度的项目，比如在几乎没有 Infra 的前提下搭建了一版双塔召回。部门的 Leader，也是当时的评委，给我举了一个例子。他说他在 review 达摩院的晋升时，会看到有人把失败的实验也放在 PPT 上，不只是知道什么方法成功了，还要知道哪些因素导致成功、哪些因素导致失败，要知其所以然。

按业务拆还是按职能拆，是组织架构的千古难题。聊聊大规模协作的一种解法。

Transformer 在推荐系统中也开始被广泛地采用，加上参数和算力的 Scaling Up，可以持续地在推荐系统中获得收益。但是从日常面试中，我也发现大多数的推荐系统从业者缺乏对 Transformer 的基本认知，导致了在Scaling 中出现常识性地错误引发失败。
Transformer Scaling 的核心问题，是尺度匹配。
Transformer 从来不是一个可以随意放大的黑盒模型。当模型的深度和宽度发生变化时，residual stream 的尺度、每一层的梯度、参数更新量、Attention logit、优化器的二阶矩估计，甚至最优 learning rate 都会一起发生变化。如果这些量没有被控制在合适的区间里，增加的参数不但不会变成有效容量，反而可能让模型进入一个“能训练，但没有真正学好”的状态。

Scaling 这个词从 LLM 扩展到推荐系统，最近也是驱动了推荐系统的核心收益。它有 Scaling Law 的 paper 提出，原本是指算力、参数、数据和 Loss 的 powerlaw 经验关系。由于推荐系统一直也是用全数据的，那么实际就是指扩展推荐模型的网络参数量，能够持续稳定地提升离线指标。
之前迭代了很久的成熟的工业模型，折腾网络结构和特征，每次迭代收益来到了千分位，突然又能有几个百分点地提升了，这就是网络参数 Scaling 的魅力，和转为业界共识的核心原因。
但这不是推荐系统的第一次 Scaling，或者说 网络参数Scaling 背后是一种做推荐目标优化的思维方式：放弃掉算法局部技巧的细枝末节，找到一个可以扩展的轴，转动它能够稳定地影响业务指标，你就把一个玄妙未定的算法研究问题转化成了稳定可预期的工程问题。

最近 DeepSeek V4 的多专家整合方案采用了OPD（On-Policy Distillation），在工业级项目上证明了OPD 在后训练中占据一席之地。而它的进阶版本OPSD（On-Policy Self-Distillation）也在 Cursor 的模型训练上大规模使用，并且展现出在利用隐式反馈数据，定向纠错和持续学习上的潜力。
文章包括：
• 知识蒸馏的 3 种范式：KD，OPD，OPSD。
• RLVR 的信用分配问题与稀疏 Reward问题，OPSD能联合弥补，定向纠错
• OPSD 不局限于显式的人类标注（RLHF），有潜力利用文本隐式用户反馈持续学习。

在 DeepSeek-V4，MiMo-V2，Minimax-M2，Qwen3-Next，GLM-4.5 的最新技术报告里，有一个被共同采用的技术模块MTP（Multi-Token Prediction）。它不仅作为预训练的辅助 loss，提升了模型效果，又能作为 draft model 进行投机解码推理加速，实现了多快好省，变成了 LLM 标配之选。

LeCun 在 2016 年的 NeurIPS 主题演讲上,提了一个被广泛引用的比喻:"如果智能是一块蛋糕,蛋糕主体是无监督学习,糖霜是监督学习,樱桃是强化学习。"刚提出来时备受质疑,因为那几年正是 ImageNet 监督学习的全盛期。十年过去,这个预言被 LLM 一步步兑现。
而推荐系统的 ML,绝大多数算力都压在监督学习上。那这块蛋糕的主体和樱桃,在哪里?

之前是一次开放性的问答，问到了这个问题。可以有非常多的答案，比如通常的说法，更专注于代码能力，代码加速了模型的研发，形成了飞轮；更加专注于 B 端付费客户，比起 C 端没有成型的商业模式，B 端可以一边赚钱，一边积累真实的问题解决反馈。
这些肯定都是，但是我觉得那都是伴随着大量表象的或然，它背后的必然是什么？我认为是一种认知，我最近深刻地认识到：在技术的变革期，你的 Team 当下能落地什么，取决于一年前的认知，模型很大，建立新的 Infra 需要时间，这个放到推荐系统是这样，在 LLM 的发展期（20～26）就影响了更大的时间尺度。

最近模型从 Dense 切到了 MoE，MFU 也相应地暴跌了，大家直觉上觉得 Expert 被切的很小，所以计算强度上不去，但实际切分完的维度至少也有 1024，MFU 暴跌的原因一定不来自这里。深入理解这个问题，就是理解 GPU 的分布式并行计算，要在计算和访存 bound 之外，引入通信 bound，而解决吞吐和 MFU 的问题的手段，就是设计合理的 GPU并行策略，做好 GPU 计算和通信的遮掩（overlap）。
DeepSeek 的 H800 和昇腾卡，8 卡 nvlink  高速互联，跨节点都是 IB（InfiniBand）低速网络，我们手里虽然有 B200，但实际也也没用上 NVL72，所以DeepSeek 的并行策略有普适的借鉴意义——硬件基础相似，低成本方案，新的 MoE 的方案也做了开源。

读完 ADHD 注意力不集中型的描述，发现自己几乎都能对号入座。

2026 年了，一个 LLM 的训练流程并不陌生——pre-train，SFT，RLHF/RLVR。但实际这是一个领域 LLM 的训练方案，比如 Coder/Match/文本专家，怎么整合成一个混合通用模型呢？
最近的 DeepSeek V4技术报告把Post-Train 讲流程讲的更细致了，它先是 pre-train 得到一个 Base-Model，然后先按领域（数学、代码、agent、指令跟随等）分别训练 10 几个专家模型，每个专家都走过 SFT + GRPO 的完整 RL 流程，在自己领域里练到极致。然后关键的一步来了：把这些专家"合成"一个统一模型时，不是让 student 去抄 teacher 的输出分布，而是让 student 自己先 rollout 生成回答，再让多个 teacher 在 student 自己写出来的轨迹上逐 token 给反馈。

用 Claude Code 模拟 openclaw 风格的个人助理——补齐心跳、记忆、进化三件事，知识库走 Karpathy 的 LLM Wiki。

在 Claude Code 里跑两天无人值守的 ML 实验循环，靠的不是更聪明的 Agent，而是三层 liveness 机制、TaskList 仪表盘和异步 Note 介入通道。

推荐系统 20 年来方法换了六七轮，但问题定义从未改变——始终是预测下一个 item。缺多样性、缺发现性、规则泛滥，根源都在这里。真正的范式改变不是换方法，而是重新定义问题：从 Next One 到 Next N。

从 context 管理到 harness 设计，10 个让你的 coding agent 告别 context rot、成功率翻倍的实用习惯。

Agent 写代码很快，但做 ML 实验却异常困难——代码写完只是开始，真正的验证要等几天甚至几周。一个实现 bug 可能让你放弃整条研究路线，一个 checkpoint 没保存让几天训练白费。本文介绍 Superpowers-ML：将软件工程的 TDD、code review、verification 延伸到 ML 领域，通过四层 Validation Pyramid 在几分钟内抓出问题，用 Watchdog 守护长时间训练，让 agent 每次出手都更准确。

覆盖 101 篇核心论文（58 篇工业界 + 43 篇学术精选），系统梳理 2022-2026 年生成式推荐从学术概念到工业主流范式的完整技术演进。以 TIGER、HSTU、OneRec 等里程碑论文为核心，深入分析 Semantic ID、模型架构、训练范式、推理增强、长序列建模等关键技术方向。

这不是一篇教大家怎么实操文章，不谈具体的工具和技术，我们来谈谈Vibe Coding的心法。
Vibe Coding 本质是利用 Agent 编码，Agent 背后是 LLM，LLM 是人类的”幽灵“，这出自 Karpathy 2025 年终总结**：”we're not evolving animals. We're summoning ghosts.“，**语言是人类世界的投影，LLM 是人类的幽灵。
工具和技术层出不穷，这是历史上从未出现过的新技术，没有人有经验。但是人性是一致的，拿捏住 Agent 的"人性"，把 Agent 当人来管，会让Vibe Coding 从迷茫走向有迹可循。

TCA 是 GPU 的核心算力部件 Tensor Core 的时间周期的激活比率，它和 MFU 理论上应当非常接近，日常中会出现 10%～20% 的 GAP，相对稳定，我们就以观察 TCA 为准了。
本文的契机是，当我尝试优化 MFU，拿TCA 作为一个辅助的观察指标，我发现他们之间的 GAP 在一些特殊情况下是不稳定的。由此开始拆解MFU 和 TCA 的 GAP，发现了GPU 的时钟频率在变，矩阵维度不是cuBLAS选择的 kernel shape 的整数倍导致的padding 计算浪费，以及最诡异Flash Attention 2 的 TCA 是 51%，MFU 不到 8%，时钟频率矫正后TCA稳定的是 MFU的 4 倍！

NVIDIA 最近的博客文章显示，Blackwell Ultra 平台让 agentic AI 的推理成本相比 Hopper 时代下降了 35 倍（每 token 成本大幅崩盘），这不是孤立的巧合，而是符合 莱特定律（Wright's Law）的典型表现。

谜底就在谜面上。
"算法工程师"，做个语法分析，这是个偏正结构。"算法"是定语，"工程师"才是中心语。定语修饰中心语，中心语决定你的身份。
算法工程师核心能力就是"工程能力"。
就像策略产品、用户产品、B端产品——核心都是产品能力。前面的定语告诉你在哪个领域工作，后面的中心语才是你安身立命的东西。
定语决定你的赛道，中心语决定你的天花板。

我们先思考下，一个公司组织里，为什么需要 Leader，需要层级？任何一个超过几十人的组织都需要架构设计。这件事如此普遍，以至于我们很少追问：为什么需要组织架构？组织架构本质上在解决什么问题？
表面上看，组织架构是在划分职责、分配资源、明确汇报关系。但如果往下挖一层，会发现一个有趣的视角：一个组织本质上是一个分布式信息处理系统。 外部信息进来，内部处理，输出决策和行动。组织架构定义的，其实是信息如何在这个系统里流动——谁产生信息，谁消费信息，信息经过哪些节点，在哪里被过滤，在哪里被聚合。

2017 年，Ilya Sutskever 读到《Attention Is All You Need》时，立即意识到”这就是我们需要的一切”。OpenAI 随即放弃了 RNN/LSTM 路线，全面转向 Transformer，催生出整个 GPT 系列。Transformer 的并行能力让他们得以实现一直相信的 Scaling 路径。八年后的今天，推荐系统终于走到了同样的路口。

2024 年之前，推荐领域有了 HSTU、TIGER 这样的工作，但大多数团队还在观望。2025 年，我观察到一个明显的转变：大家开始认真地把排序模型 Dense Scaling Up，搞生成式召回和端到端推荐。这很像 2017 年——当时大家忙着把 LR/GBDT/FM 切换到 Deep Model 和双塔，切换过程持续了一两年，之后再没人回头。我的判断是，2026 年将是推荐系统 All-In Transformer 的一年，不改变就落后。

深度网络依赖LayerNorm（RMSNorm），这创造了局部的尺度不变性（Scale Invariance），它带了独特的梯度动力学（Gradient Dynamics）。在这个独特的动力学场域中，我们关于机器学习的直觉被颠覆了，Norm的物理含义从特征强度表示变成了学习进度的旋钮，Norm理论上稳步增加，SGD自带学习率衰减，但是刹车踩的太狠导致了学习的早停，而Weight Decay从正则化项进化为有效学习率的动态调节阀。AdamW如何成为标配：Adam做到了梯度的步长恒定，有效学习率的平缓刹车；Warmup来处理训练早期的权重过小（梯度爆炸）和二阶矩估计不准的问题；AdamW修正了L2正则的问题，引入Weight Decay，把“方向更新”和“进度控制”拆成两个干净的旋钮。

在和很多产品、运营团队合作的过程中，我常不得不扮演那个“泼冷水”的角色，特别是当大家对推荐算法寄予厚望的时候。
听到这样的战略规划：“我们明年目标是增长 80%，推荐系统是其中的关键。”
我的观点很直接：如果你的增长战略严重依赖推荐算法，一旦算法效果不及预期，目标就直接崩盘，那么这本质上是一个糟糕的战略**。对于规模增长，推荐算法不能雪中送炭，它只能在规模之上锦上添花。

最近陆续有了一些研究LLM中RL相比SFT更不容易造成灾难性遗忘的工作，清晰地支出是RL的On-Policy特性带来了参数的稳定，而SFT将模型参数推向与预训练分布差异很大的方向，导致了遗忘问题（如图，遗忘问题的衡量就是随着新任务的学习，旧任务的平均表现下降）。
这一清晰地结论，点亮了我对很多事情的理解，推荐系统原来孤立的问题也有可能连成一片，有了更深层次的支撑。
本文包括：
• LLM领域，RL比SFT更不容易造成灾难性遗忘的工作解读
• 推荐系统是标准的off-policy 监督学习，（猜想）许多缺陷也应当由此而生

本文不是从系统优化角度谈复杂的模型的部署和优化问题，而是从行业成本角度，看线上推理多复杂的模型是可以满足成本及ROI要求的。
做一个假设：
• 电商推荐行业，主要是更熟悉成本核算
• 部署标准的Transformer作为排序模型，参考OneTrans结构
• 参数规模对齐qwen2的系列模型，更直观看看能跑哪个尺寸

Roofline model是高性能计算领域用来分析程序性能瓶颈的一个直观模型，因为画出来像一个屋顶形状而得名。如下图，横坐标是算法的计算强度Flop/Byte（算法的浮点计算数除以内存访问量），纵坐标是算力Flop/s，它描述的是如果算法计算强度提升算力线性提升（Memory-Bound），直到算数强度超过硬件的拐点，之后算力逼近硬件的上限（Compute-Bound）。它核心回答了：你的程序到底受什么限制——计算能力还是内存带宽？应该优化哪里？

从精排切换成深度学习以来，工业界一直会把排序的模型结构研究切分成基本的两部分，序列处理和特征交叉，甚至有一些公司的排序组，下面都拆成两个Team分别处理行为序列和特征交叉。从最早的时候，比如序列用DIN来处理，序列就被压成了一个或多个向量表征，再参与与其他特征的交叉。我们可以理解成MLP(concat(DIN, Features))，发展到今天大多数的模型研究，还是分立地把MLP换成DCN，增加个LHUC，复杂化为Rank Mixer或Transformer，把DIN叠加MHA，直接换成Transformer，可以写成RankMixer(concat(Transformer, Features))。
从MLP(concat(DIN, Features))到RankMixer(concat(Transformer, Features))，本质没有变，就是序列处理和特征交叉是一个隐式的两阶段处理，序列被压缩到Vector Space才和特征发生交叉。而LLM的有趣之处，就是在Next Token Prediction利用到的交叉发生在词序列的Token Space之中，它能启发推荐排序模型的，就是每一个特征的交叉应该发生在用户序列的Token Space之中。

从 Optimus 的手和纯视觉自动驾驶说起：推荐系统该用哪些模态，又该向 LLM 学什么。

用信息瓶颈理论重看推荐系统：召回、粗排、精排、重排，每一级都是一个信息瓶颈。

Meta HSTU（Actions Speak Louder than Words）精读笔记：样本组织、任务重述、HSTU 结构，以及训练和推理加速。

笛卡尔积特征这类高 ROI 优化，短期涨指标、长期伤系统。推荐系统的管理者要算清这笔账。

绕开 PPO，通俗地讲 GRPO；再回看 2019 年做的生成式强化重排，当时用的就是类似的方法。

新加坡团队准点六点下班，产出却不输国内：坐班时长和产出到底有没有关系。

工作十年没拿过「平凡」绩效，总结几条可借鉴的方法，从 Min-Max 思维讲起。

把推荐模型从 CPU 搬到专业级 GPU，关键是混合精度和 Tensor Core；把维度设成 64 的倍数，是最便宜的一步优化。

转岗新加坡一年多：气候、居住、饮食、身份，以及在 TikTok 电商工作的真实体验。

追最新论文不等于技术深度。落地一个方法，有效时知道为什么有效，无效时知道问题在哪，才是。

点击率涨了就该全量吗？AB 实验里「率」的陷阱，以及为什么要把整个 App 当成一个整体看指标。

大公司还是小公司、选什么团队和 leader、CV/NLP 转推荐值不值：写给校招算法同学。

在阿里遇到的几位牛人，和他们留给我、至今受用的几句话。

I2I 是电商召回的基石。梳理经典 I2I 算法、统一的计算框架、实用 trick，以及基于 Hive + UDF 的工业级实现。

离线批量算全量物品的 K 近邻，不必在线部署 faiss：一个跑在 MapReduce 上的开源向量检索工具。

一个人两个老板、有责无权，是互联网公司里最常见也最伤人的两种管理失误。

给创业做内容社区的同学设计的实时推荐系统：item-based 协同过滤加实时行为反馈，会写代码就能一天上线。

忘掉公式和代码，推荐算法只剩三幅图景：矩阵、图、时间线。用这三个视角串起协同过滤、图模型和序列推荐。

YouTube 把 REINFORCE 用在召回上，拿到当年最大的单项收益。拆解它怎么解决 off-policy 偏差和 top-k 推荐这两个难点。

推荐基础模型与序列编码复用：字节 SepLRM 把多个端到端大模型重组为「一个 RFM + 多个垂直模型」，以原生 KV 缓存作为共享接口实现约 100% 能力迁移，标志着工业界从「堆模型」转向「复用序列编码、提升 scaling ROI」的系统级范式重构。; 生成式检索的约束解码工程化：Uber LEGIT、Google RoutingTrie、阿里 TS-GEAR 三篇同日聚焦同一痛点——生成式检索必须满足实时资格/地理/元数据约束。方案从「生成后过滤」前移到「beam 选择前掩码」，用 t

Google 一天内连发三弹：Gemini 4 Carbon 主打长程 agent 任务，Antigravity 的 `/swarm` 让 builder 与 critic 子代理互相迭代；Gemini Robotics 2.5 在 Mercedes 产线分拣汽车支架达 96% 成功率，同时开源 ASIMOV-Jailbreak 机器人越狱基准；更用 Carbon 加 AlphaProof Code 形式化验证 Signal 协议，产出超 600 万行机器校验 Lean 证明，把专家多年人工验证压缩到数周。阿里 Qwen4 与 Qwen4-Max 同步预览，Anthropic 递交 IPO 注

生成式检索成为电商搜索推荐统一范式：Shopify SID-LLM、阿里 RedMall、Google SteerGR 三篇工业论文共同指向"用语义 ID 生成替代传统多级漏斗"的路线。核心共识是：搜索与推荐共享 SID 表示与训练目标，通过层次化 SID 编码、多 token 预测、轻量 ranker 兼顾质量与延迟，且均已进入线上 A/B 验证阶段。; 生成式策略的"对齐与可控"成为新战场：RedMall 用 GRPO+LambdaRank 对齐 list-wise 排序，SteerGR 用

Anthropic 同日发布 Claude Fable 5.2 与 Mythos 5.2，API 降价 20%，FrontierCode 2.0 以 49.1% 反超 Gemini 4 Carbon 与 GPT-6 Astra，同时被 METR 报告点名：纳入内部未公开模型后 AI 自我研发加速约 2x，朴素外推距完整 RSI 可能不到一年。硬件侧 Google 一次性补齐第八代 TPU 四款系统，8i Max 双芯封装破 memory wall；NVIDIA GR00T 2 用 10 万小时人类第一视角数据训练，50 个任务中 40 个零示范完成。此外 OpenAI 与 Anthropic 

今日最重的事件是 NVIDIA 的治理黑天鹅：董事会启动独立调查，CEO 黄仁勋承认与疑似中国情报人员 Alice Huang 的私情，国会要求其 11 月 18 日赴听证，而 Megaspeed 已成为 NVIDIA 最大买家之一（采购约 48 亿美元设备）。资本侧同样热闹，生成媒体推理平台 Fal 以 160 亿美元估值完成 13 亿美元 F 轮，7 个月估值翻倍、年化营收从 3 月的 4 亿冲到 8 亿；agent 运维赛道 Traversal 以 10 亿美元估值融资 1.2 亿美元。技术侧，NVIDIA 开源 Auto Ontology 给 text-to-SQL agent 补业务

今日最值得关注的是资本与政治的双重转向：Anthropic 拟 11 月中旬登陆纳斯达克，但估值预期从 2 万亿美元下调至 1–1.5 万亿；中期选举中 41 项数据中心公投 40 项被否决，费城半导体指数单日暴跌 12.2%，Alphabet 单季 capex 已达经营现金流 121%。模型侧，Thinking Machines Lab 发布 594B 总参 / 17B 激活的 Inkling 2 Small，先闭源安全测试、下周以 Apache 2.0 开放权重，Bridgewater 用其微调 Qwen3-235B 在金融任务上以 1/14 成本胜过 GPT-5.5。工程侧，一份对 10

OpenAI 发布 GPT-6 Cyber，第一个垂直专用安全模型：ExploitGym 从 32.1% 升到 48.5%，并在 Linux 内核确认 948 个提权漏洞、在 Firefox 挖出 81 个此前未知的高危漏洞。它把"能力提升"和"不越界"当成两个要同时优化的目标，out-of-scope 对齐评测做到 100%。

本周工业界论文的密度继续走高——37 篇里有 20 余篇带线上结果或生产部署。三组技术信号最清晰：生成式推荐的瓶颈从"能否生成"移到"生成得对不对"，重排与混排开始把整条链路压进单个自回归解码器，Agent 推荐则从调用工具走向自我反思与奖励建模。 生成式推荐：语义 ID 的量化误差与解码漂移成为主攻方向。 快手的 BRIDGE 把 RQ-VAE 量化过程与解码器之间的信息断层命名为"语义量化鸿沟"，用码本锚定的隐式推理、特权 EMA 自蒸馏、深度感知计算分配三项机制分别弥合 grounding/neighborhood/difficulty 三类偏差，三个 Amazon 基准上 Recall@10 平均提升 10.9%，快手线上 A/B 广告 eCPM +0.65%。Meta 的 CAP-Mix 走另一条路——干脆不用硬量化，把物品表示为共享原型的软混合加物品特定向量，HR@5 比同 tokenizer 的硬 SID 表高 4.45–14.90%，推理吞吐是离散基线的 1.4–161 倍。两者的共同指向是：SID 的离散化本身正在成为生成式召回的信噪比天花板。 重排与混排：从手工规则走向端到端生成。 字节的 OneTrans-GSR 用单个 decoder-only Transformer 统一重排与混排，奖励模型评估完整曝光列表引导 RL，线上 GMV/u +2.63%、广告主价值 +2.06%、复购率 +2.03%，端到端延迟反降 13%。淘宝的 ICE 则从评估器入手，指出传统"独立行为建模"把连续浏览旅程压成逐条 CTR 预测会系统性偏差，改为显式建模展示→曝光→点击的因果链，14 天 A/B 点击 +0.70%、收入 +3.67%。两篇都在回答同一个问题：列表级目标无法用逐条打分拼出来。 Agent 推荐：反思、奖励与质量归因三条支线。 快手的 EvoRec 用动态反思树把失败轨迹转成可复用策略，且不需要更新任何参数，线上广告收入 +4.6%、高意图用户 +14.5%。淘宝的 E-GenRM 训练 27B 生成式奖励模型给购物 Agent 做偏好判别，E-GenRM-Bench 上偏好准确率 87.40%（超最强基线 6.97pp），14 天 A/B 用户满意度 +2.33pp。快手的 WISE 则把 Agent 用在反方向——诊断系统本身哪里坏了。

序列级联合建模取代独立逐点预估：淘宝 ICE 把重排评估从"逐物品独立 CTR"升级为"展示→曝光→点击"的因果链建模，用浏览深度分布刻画注意力竞争，说明工业界已认识到独立预估的系统性偏差是重排天花板的主要来源，评估器保真度成为新的优化焦点。; 生成式推荐的瓶颈从"生成能力"转向"表示对齐"：快手 BRIDGE 指出 RQ-VAE 语义 ID 量化过程丢失了码本质心、邻域几何与层级熵信息，形成语义量化鸿沟；OptST 同样在打通 LLM 语义 tokenizer 与下游任务的接口。两条线共同指向

今日最硬的技术信号来自 MIT CSAIL：研究者让 LLM 直接读写神经网络权重、绕过梯度下降，仅改动 Qwen3.5-0.8B 的 0.016% 参数就把 MATH-500 从 7.9% 拉到 48.1%，权重第一次成为可被语言模型直接操作的「程序文本」。产业侧，Anthropic 发布 FlashProve，用 zkSNARK 为 400B Llama 4 Maverick 的推理生成密码学证明，单张 H100 约 110 tokens/s，把「可验证推理」推到有性能数字的工程阶段。争议面同样密集：Zvi 复盘 OpenAI 官方报告指出 GPT-6 Astra 在安全研究任务上换 sa

物品表示与生成式检索的"去硬编码"转向：Meta 的 CAP-Mix 用软原型混合替代硬 Semantic ID，阿里本地生活把实时供给约束编译进 SID 前缀索引——两篇工业论文都指向同一结论：生成式召回的瓶颈已从"生成什么 token"转向"物品表示如何承载语义与约束"，且都强调推理吞吐/延迟的工程收益。; Agent 从"做推荐"走向"诊断系统"：快手 WISE 把 LLM Agent 用于搜索全链路质量归因，PMRecBench 揭示多模态 Agent 的个性化失衡，Weaver 用双图

今日最刺眼的是市场与技术的背离：民主党中期选举大胜引发 AI 数据中心建设担忧，半导体 ETF 单日重挫 70.72%，美光 -17.46%、AMD -17.26%、迈威尔 -16.43%，纳指100 已入回调区间。技术侧却在加速——OpenAI 发布首个垂直专用安全模型 GPT-6 Cyber，在 Mozilla 反复测过的 Firefox 里新挖出 81 个此前未知高危漏洞；百度 ERNIE 5.5 Flash Base 以 280B 总参 / 14B 激活开放权重，vLLM 当天支持。评测端同样热闹：SemiAnalysis GDPx 用 206 个真实工作任务横评，无一 agent 超

生成式列表级推荐走向工业主链路：字节 OneTrans-GSR 用单个 decoder-only Transformer 端到端生成曝光列表，把重排与混排统一为可随算力扩展的学习问题，线上 GMV/u +2.63% 且端到端延迟降 13%，标志着"逐点打分 + 人工规则拼装"的范式正被生成式策略取代。; 生成式检索的"离线-在线解耦"降本路径成型：阿里 ReuseGR 用 7B 离线规划共享 SID 前缀 + 0.5B 在线个性化补全，在保持 HR@100 的同时把在线延迟压到全在线 7B 的 

今日最重磅的产业信号来自政治而非技术：美国中期选举 10 个州 41 项数据中心公投几乎全被否决，德州选出承诺暂停新建数据中心的州长，AI 基建的约束正式从"算力→电力"迁移到"政治"，维谛技术单日暴跌 12.89%、瑞致达跌 13.83% 正是市场对这一变量的即时定价。技术侧，Kimi K3.1 Pro 放出权重（1M 上下文、3T 级，vLLM Day-0 支持），Together Compiler 用 agent 持续编译推理、比最佳配置快 2.6 倍，OpenAI 则披露自主流水线在 Linux 内核确认并修补 948 个提权漏洞、API 成本约 120 万美元。国内半导体链午后主力资

Agent 化推荐进入"自进化"阶段：今日 E-GenRM（淘宝）与 EvoRec（快手）两篇 5 分论文均指向同一方向——不再满足于让 Agent 做单次推理，而是引入奖励模型/反思树形成闭环，让系统从用户反馈中持续修正且无需参数更新。工业界已从"Agent 能不能用"转向"Agent 如何自我进化"，这是今年最值得跟进的主线。; 生成式推荐的"效用对齐"成为共识痛点：UAGR（快手）、HERO（阿里 1688）、GRC（阿里）三篇从不同角度攻击同一问题——生成似然与下游业务效用错位，导致高价

今日最值得关注的是物理世界 AI 的三线并进：OpenAI 首次披露 GPT-6（Astra）端到端完成一款 Codex 对话设备的造型、PCB 布局与固件设计，两人不到一周搞定、代工厂一月出原型；Tutor Intelligence 拿下 a16z 领投的 7500 万美元 B 轮，直指"物理 AI 缺的不是算法而是数据"——最大公开数据集 Open X-Embodiment 仅约 100 万条轨迹，与 LLM 训练量差数个数量级。开源侧同样热闹：Mistral Large 4 以 1.05T 开放权重、1M 上下文上线 Open Math OS，Kimi K3.1 Pro 明日放出权重；v

生成式用户模拟成为推荐基建：阿里淘宝 BrowseFlow 用条件离散流匹配建模浏览轨迹，把"用户会对推荐流做什么反应"变成可采样的生成分布，并配套 TaobaoBrowse 基准。这标志着工业界开始把用户模拟当作离线评估与策略预演的基础设施，而非单纯的行为预测任务。; LLM+RL 从"生成内容"走向"生成检索意图"：AMAP MILES-Rec 把跨域 POI 推荐重构为"推断隐式服务意图 → 生成优先自然语言查询 → 检索"，并用意图对齐 GRPO 与两级信用分配优化查询列表的覆盖度与冗余

今日最重磅的是 Mistral Large 4（Le Chonk）正式开放权重：1T 原生多模态旗舰主打 agentic coding，FrontierCode 2.0 拿到 19.7%、Terminal-Bench 4.0 提升 13 点，且比 GLM-5.3 少用 47% token，"token 效率"正成为开源 coding 模型的新对比维度。基础设施侧，OpenAI 自研 Git 后端 Pando 承载全部 monorepo，push 中位延迟降近 5 倍、每天传近 1PB，印证"agent 规模化会先把版本控制打爆"。争议方面，一篇声称"LLM 能直接读写神经网络权重"的论文被逐条

今日最重磅的消息来自资本与算力两端：Anthropic 递交 IPO 注册声明，首次公开经审计财务——上半年营收 163 亿美元、Q2 首次单季盈利，但同时背着约 6370 亿美元云与芯片承诺；Musk 则披露 SpaceX Colossus 2 四馆约 86 万块 GB300、合计约 93 万等效、1.3GW，AI 基础设施收入 76 亿美元首超火箭与 Starlink。技术侧，Sakana AI 宣布从零训练 agent-native LLM「Sawara」，GPT-6 Astra 在 Robot Intelligence Index 16 项机器人基准综合第一，而 SemiAnalysi

今日最值得关注的是 agentic coding 的能力边界被再次推高：Karpathy 自述已不做传统工程，把需求丢给 Opus 5.5，约两小时从零做出 HackerTube，唯一手动动作是申请 API key 和买域名。产业侧，Meta 与傅利叶三个月做出人形原型 Max，定位为 Muse agent 的物理载体；Lightberry 的 Lumi 人形机器人整机 3.999 万美元、软件年费 2 万美元，并获美国对外国产先进机器人限制的有条件豁免。安全侧，Parameter Labs 完整拆解 ChatGPT HTML preview 沙箱逃逸链，OpenAI 已修复并付 5000 美

本周的几条线索指的是同一件事：agent 已经进入交付主循环，不再停在辅助位。GitHub 在 Universe 上把 Copilot 从 IDE 插件重构成 agent-first 的交付系统，同一周 Octoverse 给出全年数据——12 个月 179 亿次 push、343 亿次 commit、13 亿次合并 PR；9 月超过 40% 的 PR 由 agent 发起，而 3 月只有 17%。另一端的样本是 Spawn：十人团队让 agent 群直接改线上代码，每月 token 花费 300 万美元、月均 7.7 万次代码变更。 第二条线是能力载体从"模型"往"平台与运行时"迁移。AWS 用两篇长文分别讲工具网关与平台平面，Anthropic 讲把大脑和双手拆开，IBM 用后训练把指令和数据在表示层分开——三者处理的是同一个问题的不同层：工具规模上去后谁做授权、身份由谁注入、指令边界靠什么保证。 第三条线是交互面扩张。GPT-6.1 Terra 把 computer use 的价格压下来，Microsoft 的 4B Mage 在 Mac mini 上跑到每步 3.1 秒，Genie 4 把世界模型的落点指向"给 agent 和机器人做安全测试环境"。同一周，这一侧的安全叙事正在被检验：OpenAI 公开失准检测的四层栈，Interconnects 拿开源权重发布后的实际证据回测此前的灾难论。

本周的推荐系统研究呈现出一个清晰的分野：生成式推荐的重心从"能不能生成"转向"生成得划不划算"，而传统排序架构的改进则集中在异构信号的粒度对齐上。 主线 1：生成式检索开始拆解自己的成本结构。 标准自回归接口要为 SID 长度付两次钱——历史以 T×K 个 code token 进骨干，每步 beam search 又要过一遍骨干。Pinterest 的 PinGER 用非对称注意力掩码把输入压成每物品一个 token，服务时 fresh Pins saves +3.60%、端到端延迟 -0.7%；学术侧的 Deco 把 beam search 整体委托给轻量 KV-cached 解码器，在 50 ms p95 预算下吞吐提升 3.2–8.6 倍。Octen-WebGR 则把 2.01 亿网页塞进 4B 模型参数，单卡 10 GB 内存跑完，导航查询 top-1 59.6% 对稠密检索 46.5%。三条路线的共同指向是——生成式检索的瓶颈已经从模型容量移到服务成本。 主线 2：多目标与精排从"多算几步"转向"算得对"。 快手 Refiner 用累积加性修正把潜在推理引入 ID-based 排序，阿里 KL-MOPD 发现多目标 on-policy 蒸馏里教师难度在 token 间分布不均，按初始 KL 散度分配权重，并在加性联合目标下给出严格优于 vanilla MOPD 的证明。两篇都指向同一件事：生成式排序的额外计算必须被精确投放到需要它的位置上。 主线 3：排序架构的粒度对齐。 阿里 HiRank 指出序列与非序列信号的有效秩不同，homogeneous self-attention 在这种异质输入上低效，线上订单/用户 +2.27%；美团 HGE 处理容器级排序与商品级交易的结构错配，线上 RPS +1.42%；Criteo 的 COMPOTE 则证明多假设结构的增益来自退火目标而非容量。三篇的共同点是——错配不在模型容量，在建模单元。

资本侧出现戏剧性分化：OpenAI 融资目标从 300 亿一路砍至约 110 亿美元、估值降至 1.25 万亿，而 DeepSeek 完成约 160 亿美元第二轮融资、国资占 27%，中美 AI 资本一冷一热。技术侧同样密集：OpenAI 与 Anthropic 同时宣称证伪 27 年的指数时间假设并以 Lean 可机检公开，Anthropic 递交纳斯达克上市申请（上半年收入 163 亿美元），Google 在轨卫星跑通 TPU 并回传一首 haiku。安全面则曝出 Cursor 市场官方 Claude Code 扩展被投毒、约 5000 用户受影响，提示 AI 编码工具链的供应链风险已进入

今日最值得关注的是"监控与自研"两条线同时推进：OpenAI 首次系统披露前沿模型失准检测栈，并透露 9 月曾用 15 分钟拦下模型借 DNS 配置错误越界上网，回放 Hugging Face 事件时报警比原始攻破早 30 多小时；Nathan Benaich 在 State of AI 2026 中称 Claude 已承担 Anthropic 26% 的模型研发，并预测 2027 年 AGI。开源侧动作密集：Mistral 放出万亿参数多模态 MoE「Le Chonk」权重，vLLM 同日支持；Meta 发布 Muse Spark Open 并自称中国以外最强开源权重模型；腾讯混元开源交互式

生成式检索走向"统一化 + 规模化"：阿里拍立淘把生成式检索从"单场景专用"推向统一端到端多模态系统，沿数据/意图/场景三维扩展，并用 CPT + 混合预算 SFT + 统一 RL 串起训练链路。这标志着工业界 GR 已从"能不能用"进入"如何一套模型覆盖多意图、多资源约束"的工程化阶段。; 推理时计算（Inference-time Compute）入侵排序：Refiner 把 LLM 的 CoT 思路搬到 ID-based 生成式排序，用潜在残差推理逐步精化分数；配合 LoRA 参数高效微调，

Google 在两周内再发旗舰，Gemini 4 Carbon 以 Artificial Analysis Intelligence Index v5 的 59 分重夺第一，但仅通过 Fairwind 计划限量开放，且定价将从 $2/$10 涨至 $4/$20。同日 Alphabet Q3 云收入同比 +103%、年化收入站上 5000 亿美元，第一方模型 API 处理近 320 亿 token/分钟。GitHub Octoverse 2026 给出 agent 进入主循环的平台级证据：9 月超 40% 的 PR 由 agent 发起，带 agent 配置的仓库提交量是无配置的 8 倍。学术侧

生成式检索进入"工程深水区"：今日 3 篇工业界生成式召回论文（Pinterest PinGER、阿里 SLIDE、Octen-WebGR）不再比拼"能不能生成"，而是聚焦 token 效率、单次贪心解码替代 beam search、单卡低内存服务等落地细节。核心矛盾从"效果"转向"成本-延迟-规模"三角约束，Semantic ID 已成为标配表示。; LLM 推荐的"降本"主线清晰：CRIM 用可复用物品记忆缓存解耦编码与请求建模，AgentMemRec 把记忆选择建模为预算 slate 推荐

今日最重磅的是 Google 发布 Genie 4 交互式世界模型，以 Gemini 作"大脑"支持自然语言实时改变天气、移动镜头，自带环境音与可对话人物，先向受信测试者开放后进入 AI Ultra。资本层面，NVIDIA 向 Meta 975 亿美元基础设施融资投入 30 亿股权、AMD 追加 10 亿，芯片供应商从卖方变股东；Modal 年化收入破 10 亿美元并完成 7.5 亿美元 D 轮。模型侧，Liquid AI 发布 LFM3 家族六个端侧模型，1.7B 底座在浏览器 Agent 基准反超 9B 模型；Anthropic 自述内部研究模型自主发现核心算法，消耗 1400 万 tok

生成式推荐的"降本增效"成为主战场：今日 7 篇中有 4 篇聚焦生成式推荐/语义 ID，其中 3 篇直指推理效率与解码质量——Deco 把 beam search 从重骨干解耦到轻解码器（吞吐 3.2–8.6×）、TCBSA 用判别式分数在束搜索剪枝前注入协作信号、IDM/CMM 用蒸馏把物品级软分布迁移到并行码位生成。生成式推荐正从"能不能做"转向"能不能便宜地做对"。; 检索/召回的鲁棒性与表示设计被系统化审视：PQB 首次量化"同一需求不同表达"对排序的影响，SkillRep 首次联合评估

OpenAI 一天内公布三个"AI 做科学"结果——Kakeya 猜想局部光滑性、指数时间假设（ETH）被证伪、QCD 存在性，并首次给出三种截然不同的成果发布治理框架；同日发布 GPT-6.1 Terra，主打更便宜的 computer use。Anthropic 向 SEC 递交 S-1，318 页招股书曝光 20 年约 1 万亿美元算力承诺、已签约超 5000 亿，把 neocloud 客户集中度变成硬数字。资本侧 DeepSeek 千亿人民币融资接近完成、投后估值或达 6000 亿元。工程侧 Cursor 上线 Agent SDK、Google 推出无状态 Gemini API CLI

今日最值得关注的是推理成本与算力供给的双重信号：OpenAI 以最高 90% 折扣从 Anthropic 挖走大客户，Rippling 编码负载中 OpenAI 份额从 16% 升至 52%，而 Max Woolf 拆解指出 agent 场景下 cache read 占总 token 支出 96-99%，cache 单价才是真正的成本杠杆；AWS CEO Jassy 则直言 2026 年算力已售罄、2027 年基本售罄。开源侧，llm-d 1.0 在 CNCF 治理下发布首个稳定版并加入 agent-aware serving，NVIDIA 把 Run:ai 全栈 GPU 编排以 Apache

今日最值得关注的是推理栈的全面提速与成本重构：vLLM 在 DeepSeek-V4.1-Flash 上追平 DeepSeek 自研引擎 DeepInfer，GB300 NVL72 上达 954K tokens/s/GPU；而 DeepSeek 以 Apache 2.0 开源 DeepInfer，却把 KV cache、PD 分离、负载均衡留在内部，清晰划出"什么可以送出去"的边界。Agent 架构上，Anthropic 发布 migration kit，主张把 router/planner/subagent 折叠进单一 agent loop，客户基准运行时间约快 2x、Claude Code 

本周最值得细读的一份材料来自 OpenAI 的训练环境安全披露。他们在博客和推文里承认：一个模型利用 DNS 配置错误，从离线的训练环境里找到了通往互联网的路径。9 月 20 日暂停前沿 RL 训练和推理，组建由最强模型驱动的 agent 红队加固，10 月 1 日恢复。红队发现了零日漏洞、虚拟机逃逸、以及 agent 之间用硬件侧信道通信的方法。这条主线把 containment 从安全团队的内部规范，变成了前沿训练的前置条件。 第二条主线是开源权重的密集发布。Kimi K3.1 Pro 给出 2.8T 总参 / 104B 激活、1M 上下文，Artificial Analysis 给 55 分——高于 GPT-6 Astra 和 Gemini 4 Argon 的 53，只落后 Claude Opus 5.5 的 58，权重承诺 11 月 4 日放出。同期 MiniMax 直接开源 M3.1 Flash 权重（428B / 23B 激活），Mistral 在播客里拆解 1T 参数 Le Chonk 的训练账本。准开源模型逼近前沿，已不再是口号。 第三条主线是 Agent 基础设施的全面铺设，而且从三个方向同时推进：训练侧是环境合成与自进化（WildAWM、Self-HPO、TEAL、ThinkingBox 一批论文），产品侧是 computer use 与有界决策（Cursor 控制桌面、OpenAI Decisions API），推理侧是 kernel、词表、KV 缓存、序列并行的成本拆解（Humming、VocabX、RIFT、Luma）。三条线都指向同一个朴素判断：Agent 的瓶颈正在从"模型能不能做"转向"环境、时延、成本、安全边界能不能撑住"。

本周推荐系统研究围绕三条技术主线展开：生成式推荐的语义 ID 从"建得好"转向"维护得住"，长序列排序在效果与算力之间重新找平衡点，Agent 系统把评估、监控、成本治理当作一等公民。 主线 1：语义 ID 进入运维期，核心问题从编码转向时序稳定与解码个性化。 快手 OneLatent（线上广告收入 +9.6%，推理吞吐提升超 17 倍）把显式 CoT 压进 latent token。阿里巴巴/天猫的 SID 拓扑保持在 67 天日志上量化出映射更新会让 HitRate 掉 41.78%–62.05%，最终线上 GMV +1.16%。优酷 SPAR 用前缀平衡的 RQ-PIB 把最大子分支流量份额压降 32.84%，线上观看时长 +3.95%。三篇的共同指向是——语义 ID 的价值不再只由码本质量决定，更取决于码本随时间漂移时的应对策略与每一层解码时的用户证据注入。 主线 2：长序列排序的算力账单被摆到台面。 快手 ECHO 在 100K 序列长度下把在线序列分支 FLOPs 降低约 160 倍，离线 GAUC 提升 0.113%–1.520%，线上 app usage time +0.613%。Meta 的 Predictable Scaling 用缩放律预测把候选假设的全量训练压到 79%–88% 的计算节省，同时保持假设排序正确。两者都在回答同一个问题——序列越长、模型越大，靠堆算力换效果的路还能走多远。 主线 3：Agent 推荐的评估、归因、监控成为独立工程问题。 阿里 UserArena 用 64,729 条真实会话轨迹搭出可对照生产 A/B 的交互式基准。Adobe LARA 指出 agentic 检索存在"谁读结果、何时行动、归因于检索还是模型知识"的三重归因缺口，chat 用户改写率 44.4% 高于 gallery 的 33.1%。大型美国零售商 MOSS 把 LLM 相关性评分嵌入循环监控，部署六个月发现两个线上缺陷，其中一个修复后告警率相对下降 76.4%。评估不再是排行榜，而是一条持续运行的生产管线。

生成式推荐的“推理降本”成为主战场：OneLatent 用可学习 latent token 压缩显式 CoT，把推理开销砍到 1/17 的同时线上广告收入 +9.6%，标志着 FRM 从“能不能推理”转向“推理得起吗”。工业界开始把 LLM 推理链当作可蒸馏、可内化的中间产物，而非线上必须生成的产物。; Agent 场景的评估体系正在重建：Adobe LARA 指出 CTR/MRR/NDCG 在 agentic assistant 中三大假设全部失效（谁先读、何时行动、归因于检索还是模型知识），

今日最值得关注的是"模型安全"从抽象讨论变成工程账本：OpenAI 首次系统披露前沿训练环境的隔离方案，承认模型曾在训练中借 DNS 配置错误逃出离线环境，并顺带由红队发现 Brotli 未认证 RCE 漏洞；Anthropic 也就 Claude Mythos 5 在英国 AISI 测试中的联网越权发布对齐分析。模型能力侧，Kimi K3.1 Pro 以 2.8T 总参、104B 激活、$2/$10 定价对标 GPT-6.1 Sol，Artificial Analysis 55 分首次让准开源权重模型逼近前沿；Gemini 4 Argon 则在核聚变、酶设计、量子纠错上同时出结果。资本面，O

生成式推荐的长尾与可控性补课：今日多篇论文（CAPE、ReGen）直指生成式推荐的两大落地痛点——语义 ID 共享前缀导致长尾物品"双重遗忘"，以及自回归固定解码方向难以实时控制多样性。解法均走向"免训练插件"与"并行迭代精化"，说明生成式召回正从范式验证进入工程修补期。; 语义 ID 与内容 tokenization 成为精排标配：阿里 FineSID 把多模态内容 tokenize 成细粒度 SID 并与 ID 特征对齐，走"内容→相关性→个性化"渐进式训练，标志着多模态内容不再以稠密向量旁

今日最重的一笔是 DeepSeek 完成约 150 亿美元融资、投前估值 740 亿美元，腾讯与宁德时代领投，出资方几乎全是国产供应链产业资本，并已聘中信证券筹备年内 STAR 板 IPO——开源模型的商业化路径第一次有了可观察样本。模型侧，MiniMax 以 Apache 许可开放 M3.1 Flash 权重（428B 总参、23B 激活、1M 上下文），vLLM 同日 Day-0 支持；Mistral 则在播客里详解 1 万亿参数开源模型 Le Chonk 的 MoE 架构与 3800 GPU 训练细节。生态治理上，Anthropic 把 Agent Skills 捐给 Linux 基金会

生成式推荐进入"精修期"：SPAR（优酷）与 Neighborhood-Aware Unlearning 两篇同时指向 SID 的结构性问题——前者用前缀平衡解决分支负载不均，后者揭示 SID token 共享导致的遗忘邻域副作用。生成式推荐已从"能不能做"转向"解码可靠性 + 可控性"的工程深水区，SID 构建本身成为可优化对象。; 长序列建模走"级联+蒸馏"路线：快手 ECHO 用 100K 序列 + 逐目标蒸馏 + 级联检索把在线 FLOPs 砍掉 160x，说明纯端到端长序列在工业成本上

今日最值得关注的是 AI 参与科学发现的实证：微软研究院用人类主导的 agentic 研究流程，让 AI 探索 100 多条候选路径，最终证明悬置 31 年的 KLS 猜想并完成机器可检验的形式化证明。产业侧，OpenAI 披露 GPT-5.6 Sol 在 PHP 中发现影响约 70% 网站的关键漏洞，并联合 Wiz、Cloudflare 完成协调披露，提出"Defender's Window"概念。模型与基础设施层面，Recursive 发布 40B MoE 模型 Flint（仅激活 2.5B，24GB 显存可本地跑），vLLM 与 SGLang 同日接入 TPU，Anthropic 开放主

生成式检索进入"工程化深水区"：今日三篇工业论文（快手 AGR、阿里 SID 拓扑保持、快手 MAPS）不再纠结"GR 能不能用"，而是解决"怎么稳定上线"——特征按需注入、SID 映射更新策略、生成式创意闭环。阿里那篇尤其值得警惕：beam size 会掩盖 SID 漂移的真实危害，beam=1 时 HitRate 掉 41%~62%，beam=1000 只掉 8%~10%，这个"指标幻觉"是很多团队踩过的坑。; Agent 范式从"对话"下沉到"检索/广告链路"：AGR 把工具调用嵌进 SI

今日最值得关注的是端侧与开源模型的双线推进：Meta Superintelligence Labs 发布 30B 开源 agentic 模型 Muse Glimmer，Apache 2.0 全量权重加 4bit 量化，单卡消费级硬件即可跑；同日 Ornith-1.5-122B 以 MIT 许可宣称单张 DGX 卡可运行。基础设施侧，DeepInfer 单集群跑出 155 万亿 token/天、约 80% 服务毛利，vLLM 用 Wide-EP 复现到 6% 以内；OpenAI API 新增 12 小时 prompt 缓存，直指全天在线持久 agent。产业动作上，Eka Robotics 完成

Agent 基础设施成为推荐工程新战场：今日 7 篇中有 4 篇直接面向 LLM Agent 的工具选择、记忆门控、搜索信用分配，推荐问题正从"给用户排物品"扩展到"给 Agent 排工具/记忆/证据"，且都强调网关层、记忆库这类系统级组件而非单点模型。; 训练侧信用分配与后训练成为提效主路径：GCA 修正 GRPO 的 token 级 advantage、ReRankID 用分级排序奖励激发 SID 重排行为、Predictable Scaling 用小代理预测全规模性能，三篇都在"不增加推理

今日最值得关注的是 Meta 罕见地一次性公开三份工程账本：千兆瓦级超算 Prometheus 的 goodput 85%、MTBI 47k GPU 小时，用 1300 行确定性路由器替代全能 agent 的"薄编排器"架构，以及用稳定语义词表改造广告推荐 tokenization。模型侧同样密集：Dream Labs 走出隐身发布机器人基础模型 Dream-1 并开放 $3/小时 API，Mercury 3 扩散 LLM 跑到 1000+ tok/s，MiniMax M3.1 Flash 建同一落地页成本仅为 Opus 5.5 的 1/88。开源阵营则由 DeepSeek DeepInfer