Section 1: 📊 Trend Analysis

• 🔥 生成式推荐进入"精耕细作"阶段：今日多篇论文（ReSID、TriGen、TraGR、KuaiRecV2）不再停留在 GR 范式本身，而是分别切入长尾可达性、触发式场景、行为级并行解码、持续学习基准等具体痛点，说明生成式召回正从"能不能做"转向"怎么做得更全、更稳、更可控"。

• 💡 工业界主导、强调线上闭环与可复现：腾讯、阿里、蚂蚁、快手等大厂论文均带生产部署或工业级数据集，且普遍给出延迟/吞吐/多国 A/B 等工程指标；同时 ReSID、KuaiRecV2 开源代码与 checkpoint，反映工业界开始主动弥合离线评估与线上效果的一致性鸿沟。

• ⚙️ 多模态与多目标融合成为召回/重排标配：AntEmbed 的双模式多模态嵌入、SkinAdvisor 的四模态融合、SurvEval/ReAlign 的多目标价值建模，显示统一嵌入空间与多目标奖励平衡正成为提升细粒度匹配与列表级效用的关键技术路径。

Section 2: 📋 今日速览

• 腾讯 在游戏皮肤生产决策场景提出 SkinAdvisor，用四编码器多模态 Transformer 预测 180 天逐日销量并接入 ROI 排序流水线。离线 RMSE 较 Informer 降约 20%、较经典方法降约 60%，p99 延迟 <8ms、吞吐 >1100 rps，已生产运行一个发布周期。↗

• 阿里 针对生成式推荐长尾召回提出 ReSID，首次全链路分析 SID 构建/解码/匹配可达性，用并行 SID + 去偏 beam + 部分匹配恢复尾部物品。窄 beam 下延迟更低、吞吐更高，已服务主流量并开源代码与 checkpoint。↗

• 蚂蚁 提出双模式多模态嵌入模型 AntEmbed，用多正例对比学习与跨模式自蒸馏统一高效检索与推理增强细粒度匹配，两模式共享单一候选索引。MMEB-v2 上 8B 版本达 81.5 分，超最强基线 3.1 分。↗

• TriGen 面向点击触发的即时推荐（TIR）提出生成式范式，用校准尾部注入、动态门控仲裁即时意图与长期偏好、位置特定变换引导解码。六国市场在线 A/B 显示收入与 GMV 显著提升，已全量部署。↗

• 快手 联合中科大发布 KuaiRecV2 持续学习基准，提供百万级多模态物品、30 天交互与动态候选池，统一评估检索精度、多样性与多任务。采用"所有指标均提升才算进步"的严格准则，推动离线与线上一致性。↗

• CURATOR 针对 RAG 证据选择提出微调决策模型，在大量候选片段上联合决策保留哪些 span，缓解候选增多时判别力下降。跨任务与文档域泛化良好，在上下文受限时提升下游 RAG 效果。↗