Section 1: 📊 Trend Analysis

• 🔥 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 SAE 做概念级干预，PHiT 则反思 CoT 监督信号的有效性——生成式推荐正从"能生成"走向"可控、可对齐、可解释"，这是工业落地深水区的关键命题。

• ⚙️ 推理成本与训练效率的工程优化密集出现：CascadeRec 两级 LLM 级联路由降本 10%、e-means 用 EMA+缩放定律把 k-means 加速 10-45 倍、MV-IVF 原生多向量索引提速 8 倍——在生成式/LLM 范式下，算力效率优化已与模型创新同等重要。

Section 2: 📋 今日速览

• Shopify, Liquid AI 在电商搜索推荐场景提出 SID-LLM，将搜索与推荐统一为生成语义 ID 序列，联合预训练+RL 提升相关性+专家蒸馏+多 token 预测加速。作为独立检索器质量比肩现有多模型栈，线上 A/B 显著提升。↗

• LinkedIn 针对预算约束下的促销干预选择，提出动作中心因果 bandit（DR-CATE-CBwK），直接学 CATE 避免建模基线，配原始-对偶控制器守预算。半合成招聘市场基准上 regret 较最强基线降约 20%。↗

• JD 在搜索广告提出 TUGB 两阶段生成式自动出价框架，用集成不确定性环境模型微调 Decision Transformer，从 RTG 条件转向直接出价优化。JD 搜索广告全量部署 cost +2.32%、target cost +3.57%，并适配外卖广告。↗

• Meta 提出 e-means 聚类算法，用 EMA+mini-batch 更新并建立衰减率/批大小缩放定律，免超参搜索。较 Lloyd k-means 达同等损失仅需 1.4-2.6 epoch，10-45 倍 GPU 加速，10B DINO 数据 2.5 epoch 聚 1600 万簇。↗

• Beihang, Baidu 诊断生成式推荐 CoT 各步骤贡献，发现仅历史分析步骤正贡献，提出 PHiT 用观测历史构造语义监督、thought token 单次 prefill 免循环反馈。仅 SFT 即在四个基准超越基线，训练成本与仅 thought-token 基线相当。↗