type
Post
status
Published
date
Oct 24, 2026 05:31
slug
rec-weekly-2026-W43
summary
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。
tags
推荐系统
周报
论文
category
推荐技术报告
icon
📚
password
priority
1
本周概览
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。
生成式推荐与语义 ID 工程化
生成式推荐这一周最实在的进展不在模型结构，而在"语义 ID 该怎么长期维护"。当 SID 从离线一次性产物变成需要周期性重映射的在役资产，稳定性和解码期的用户证据注入就成了决定线上收益的两个变量。
OneLatent（快手）——这篇的核心是把显式 CoT 推理压成几个可学习的 latent token，让 foundation recommendation model（FRM）走"隐式推理再回答"的路径。方法是三段：Multi-View Adaptive CoT（MV-ACoT）先从多视角生成高质量教师监督，并自适应调整每个样本的推理复杂度；然后在预训练 FRM 上做三阶段 latent-token 对齐，把 CoT 轨迹逐步内化；最后用课程式后训练激活 latent 推理。数字很硬：相比 Think 变体和 No-Think 变体，SID@64 分别提升 17.44% 和 9.33%，在线推理吞吐提升超 17 倍。这套"把推理压进 latent"的路数延续了 SCoTER 用结构化 CoT 迁移提升生成式推荐的思路，但 SCoTER 是把推理轨迹结构化后集成，OneLatent 是把轨迹压成 latent token——前者涨的是离线分，后者直接换推理吞吐。快手本地生活广告场景的线上 A/B 相对 OneRec、OneReason 等强基线录得 9.6% 收入提升，且配套了生产级实时 FRM 推理服务。对工业落地而言，"latent 推理 + 三阶段对齐"比"每次生成完整 CoT"更接近可运维的形态。
SPAR（阿里巴巴/优酷）——把生成式召回的粒度从"整条序列一次解码"推进到"每一步解码都看用户证据"。PATH Decoder 从压缩的长期用户记忆里检索与前缀相关的证据，和近期行为、用户画像、事件上下文一起指导每个 token 决策。RQ-PIB 则解决一个具体病灶：候选分支的历史交互负载不均，会让解码偏向热门路径。它在前缀层级上平衡兄弟分支的负载，同时保留语义结构。数字：大规模 Youku 生产数据上平均相对 HitRate 比最强基线提升 2.66%，目标前缀留存率提升 5.79 个百分点，流量加权最大子分支份额跨 SID 层级降低 32.84%。7 天线上 A/B 服务优酷 10% 流量，人均观看时长 +3.95%，播放转化率 +3.38%。方法建立在 RQ-VAE 与 TIGER 的生成式召回范式上，但把"分支负载不均"这个生成式召回的老问题做成了显式的量化指标。与 DualGR 用双分支路由器区分长短期兴趣不同，SPAR 的切分维度是"解码到第几层、前缀是什么"，更贴近层级 SID 的结构。
SID 拓扑保持（阿里巴巴/天猫）——这篇不是新模型，是一份把"语义 ID 更新"做成可量化工程问题的报告。作者用 67 天天猫电商搜索日志做受控实验，得到三条结论。第一，SID 语义漂移造成的检索退化会被大 beam size 掩盖——beam size 为 1 时映射更新让 HitRate 下降 41.78%–62.05%，beam size 1000 时只下降 8.33%–10.85%，冗余候选生成会掩盖漂移的真实严重性。第二，变更 SID 的比例与检索质量严格单调相关，从 0% 涨到 72.75% 时 HitRate 最多掉 42.66%，且全量重映射即使在热启动训练下也明显差于保持策略。第三，拓扑保持原则让最简单的热启动策略也高效：固定旧物品 SID、插入新物品、从上一版模型热启动，旧物品 HitRate +10%，新物品 HitRate +109%。三周天猫线上 A/B 得到 UCTCVR +0.29%、GMV +1.16%。结论凝练成一句部署原则：插入新物品，冻结旧物品；能热启动就热启动，不能就冻结；永远别改模型已经学过的 SID。这条原则和 S²GR 在 latent 空间做逐步语义推理的方向正交——一个治"新物品怎么进"，一个治"解码怎么想"。
AGR（快手）——把 agentic tool-use 塞进生成式检索的解码过程。传统静态特征注入要么把所有信号都编码，要么按预设方案摆放，服务成本高且引入冲突证据。AGR 在 SID 逐层解码时做三个决策：是否调用工具、调用哪个特征、观测结果影响哪一层解码。监督信号来自按特征适用性和信息增益构造的工具增强轨迹，训练分 SID 预训练和工具增强微调两段。工业数据集、三个公开基准和线上 A/B 都有一致提升，但摘要没给具体数值。这条线与 Gryphon 在生成式推荐里联合训练物品级评分组件、解决 SID 序列似然与相关性目标不一致的思路是互补的——Gryphon 治"打分目标错位"，AGR 治"特征何时进"。
ReRankID ——这篇问的是一个此前没被系统测过的问题：只用 SID、不给物品文本，推理重排器还能不能排好序。答案是一半能一半不能。ReRankID 测试床把历史和候选列表都只渲染成 SID，变化物品渲染方式、历史长度、候选列表大小。结果发现模型经常直接复制输入顺序而非重排，可读元数据也修不好这个失败。作者对比了四种后训练方法（SFT、拒绝采样自训练、on-policy 蒸馏、基于验证器的 RL），都能把排序行为"激发"出来。最强的是 8B 模型加分级排序奖励，SID-only 排序上匹配强文本 LLM（后者提示长度约为 20 倍），完全无历史时也能高于随机（caption-reading 参照则不行），在文本提示超过 50k token 的长历史下仍保持增益。但配对 rationale 审计显示它论证权衡比参照好、描述物品却更不准确。这延续了 CELA 在 CTR 预测里整合文本特征的思路——但结论相反：文本并非不可替代，SID 里已经带了行为信号，缺的只是把"排序"这个能力通过后训练激发出来。
排序模型的长序列与 Scaling 优化
长序列排序正在经历一次成本重估：序列长度到 100K 时，端到端目标注意力已经不可承受，级联检索、蒸馏筛选、缩放律预测成了三条各自成立的降本路径。
ECHO（快手）——100K 序列上做 target-aware ranking 的核心矛盾是：基于检索的方法候选相关成本随序列增长，latent 压缩方法损失物品级可寻址性。ECHO 取中间路线：每个用户保留一部分原始事件记录，用 Distilled Selector（DS）以候选感知的全历史 teacher 做逐目标蒸馏，实现用户级的目标感知筛选；再用 Target-aware Fine-grained Retriever（TFR）做候选级细粒度检索。关键在于 TFR 和 target-attention scorer 共享 teacher 学到的相关性参数，保证级联各段的相关性估计一致。在 L=100K 时在线序列分支 FLOPs 相比代表性端到端模型降低约 160 倍。三项部署优化（公共用户输入、紧凑记录编码、key 侧投影吸收）进一步压低内存、存储和数据搬运开销。KuaiRand-1K 和工业短视频平台上多任务 GAUC 相对提升 0.113%–1.520%，线上 A/B app usage time +0.613%。这套级联蒸馏思路与 LLM 蒸馏长上下文排序 的分解-蒸馏范式一脉相承，但 ECHO 解决的是"序列内记录级筛选"，后者解决的是"简历-职位这种双长文本分解"。
FineSID（阿里巴巴/淘宝搜索）——渐进式学习框架，把内容 tokenization、query-item 语义预训练、个性化后训练串在一条细粒度离散表示上。第一阶段用预训练多尺度视觉 tokenizer 和文本 tokenizer 把异构内容转成细粒度语义 ID，显式对齐 ID 特征。第二阶段在 query-item 相关性监督下做全参数语义预训练，奠定匹配先验，在多模态 SID 和传统字段的共享预测器里联合优化。第三阶段直接用用户点击监督微调这个初始化好的预测器，抓隐式个性化偏好。离线与线上评估都录得 CTR 和核心业务指标明显提升，但摘要没给具体数值；另一个观察是它提升了同一商品内创意的区分度，说明语义泛化能力超出了传统 ID 记忆。这与 Gryphon 处理"相关性目标与序列似然不一致"的思路不同——FineSID 是把相关性目标直接写进预训练阶段，让 SID 从生成之初就带着匹配先验。
Instagram Feed 三项去偏（Meta）——这篇把去偏问题重新参数化。value model 的每个预测都可分解为 baseline（这个用户/物品/请求本来会产生什么）和增量部分（候选超出 baseline 多少）。文献大多把 baseline 扣掉，只留增量。作者主张反过来：保留原始预测，把增量作为单独加权项加进去。Instagram Feed 上原本独立上线的三类去偏（用户习惯、物品热度、请求上下文）被统一成一个参数化算子 s(c)=Σw_r·p + w_i·Δ，用一套设计流程选算子里的点。媒体类型偏置则走同流程选出的去偏标签。四臂消融（两项都不留、各留一项、都留）在生产权重下，双项形式在 13 个（项,指标）对里 11 个点估计占优；26 组直接对比中 17 组显著正向、仅 1 组（impressions）显著负向。这类算子已在 Instagram Feed 生产环境服役近一年，并在 Meta 全系跨应用、跨两个排序阶段推广，驱动 sessions 和 DAU。这延续了 Factorized Transport 那类"用轻量算子统一多视图表征"的思路，但去偏场景里"保留 baseline 独立加权增量"是明确的工程判断，不是结构创新。
Predictable Scaling ——候选假设的全量训练要烧几千 GPU 小时，能探索的假设空间因此被卡死。PS 用缩放律预测从缩小代理预测全规模表现：沿不同资源轴用可组合缩放函数构造缩小变体，曲线拟合加校准不确定性投影到目标规模。三种预测策略表达力递增：最简单的 raw proxy 已把预测误差压到重复运行方差的噪声地板内，最强的高斯过程给出指示性的 15% 相对 MAE 改善和校准不确定性。在两个复杂度递增的排序模型（任务特定模型和基础模型）上验证，能在保持假设排序正确的前提下减少 79%–88% 训练计算。这条线与 Climber 在异构资源上高效扩展训练规模、MTGR 在美团大规模部署生成式推荐是两个不同层级的降本——一个省"没必要的全量训练"，一个省"必须做的训练怎么快"，一个省"部署后的工程代价"。
Agent 推荐的评估与生产监控
Agent 系统的一个现实是：传统 CTR、MRR、NDCG 的前提——用户看到排序结果并据此行动——在生成层先消费检索结果的架构里已经不成立。这一周出现了几个针对这个断层的工程方案。
UserArena（阿里巴巴）——真实电商交互式基准，64,729 条会话轨迹、11,010 用户、566,102 商品、13 种动作类型，配一个交互式环境，并支持与受控生产 A/B 结果做离线验证。评估分五级：输出有效性、局部决策、序列行为、个性化、最终结果。方法上提出 On-Policy Trajectory Distillation（OPTD），用轨迹级意图为学生 rollout 提供稠密教师目标，在评估协议下取得最强整体保真度，最接近复现生产策略效果。这套"离线对照线上"的设计需要真实生产 A/B 才能校准，和 Walmart 赞助搜索 用统一监督把语义相关性与行为参与结合训练双塔检索器的思路在方法论上同源——都是拿线上信号反过来验证离线代理的保真度。
LARA（Adobe）——把 agentic 检索的归因问题拆成三层：检索质量、参与与结果、产品成功，用四字段 lineage schema 连接，不需要新建模。动机来自 Adobe Express 的观测：同一套检索基础设施同时服务 gallery 搜索和 agentic assistant，后者约为前者会话量的 1/8（同一用户群）。chat 用户改写率 44.4%，gallery 用户 33.1%——chat 改写是在细化生成输出。归因缺口的三重表现是：谁读（agent 比用户先读结果）、何时（用户动作可能在检索后多个轮次或会话才出现）、归因给谁（结果混合了检索内容和模型自身知识）。这与 ReRec 用强化微调做推理增强推荐在目标上一致——都试图在生成式架构下恢复可解释的中间信号，只不过 LARA 是纯评估框架，ReRec 是训练侧改造。
MOSS（大型美国零售商）——把 LLM 相关性评分嵌入循环监控：定向采样、策略感知提示、结构化告警、诊断性后续提示，把失败归类为可执行的根因。在大型零售商部署超过六个月，覆盖推荐、搜索、优惠三个面，发现两个确认的线上服务缺陷。其中一个回填混合缺陷，MOSS 离线量化修复方案为告警率相对下降 76.4%。498 对人工标注推荐基准上，前沿 LLM 评审的 F1 与 AUC 点估计都高于非 LLM 基线（内部生产 embedding 和 SBERT），策略依赖型任务上增益最大。同一评审、同一分数尺度、同一阈值只做面特定提示适配就迁移到 466 对、21 个 query 的搜索基准，无需重调。这与 QPP 选择查询变体 处理"检索与生成目标效用差"的问题同构——都在问"用什么信号才能反映真实下游质量"。
显式反馈契约 ——迭代式 ML agent 的常见循环是：改代码、跑实验、看验证分数、决定下一步。当前 harness 每次都返回精确验证分数，验证集因此暴露在自适应选择之下。作者提出一个反馈契约：只有提交越过由配对标准误算出的噪声阈值时才释放验证分数，不用调 margin。在 CTR 预测、LTR 和一个无信号控制任务上实验。控制任务最尖锐——真实增益按构造为 0，读精确分数的 agent 最终报告 +0.0157，契约下只报 +0.0033。两个真实任务上契约都缩小验证-测试差距，测试表现略高而非略低。最大差异在何时停止：精确反馈在两个任务（含无信号那个）上耗完 30 次提交预算，契约在 4–12 次就停止。一个耗尽预算的 run 通常被读作勤奋，作者建议改读作症状——反馈信道无界时，噪声会持续供给可追逐的"改进"。这条工作没有直接对应到某条历史方法，但它与 xGR 等服务系统对"早停和预算控制"的关注在工程哲学上一致：资源有限时，控制的粒度决定结果的可信度。
Agent 的工具、记忆与强化学习
Agent 系统另一个被反复打磨的层面是"基础设施"：工具怎么被检索、记忆怎么被门控、RL 训练怎么分配信用。这一周的几篇都在补这些此前被模型能力叙事盖住的环节。
Tool Recommendation（Arcade.dev）——多步 agent 任务只要缺一个工具就失败，但工具多到列不完：所研究平台约 8,200 个工具，定义合计超过任何被评估模型的上下文窗口。系统通过 SelectTools/UseTool/ListApps 三个固定工具接口向 agent 暴露全部工具（约 1.76M token，比典型 MCP server 多数百倍），运行在 agent 和工具之间的网关，每次调用都用终端用户自己的凭证执行，并对照用户对每个服务的 consent 和 agent 可用的工具做校验。ToolRet 上把 query 所需工具全排进前十的比例比 BM25 高 57%，与规模达自身九倍的已发表系统相比不落下风。配对多步工作流里，首次推荐覆盖全部必需工具的比例在 93% 的 Codex 会话中成立；对比固定 100 工具列表，输入 token 在 Codex 下降 17%、Claude Code 下降 40%，14 次运行总账单全部下降、最高 40%，任务完成率不变。这与 Adaptive Re-Ranking 用 utility 函数做查询路由、在 IR 数据集上降到 1.15–53x 中位延迟是同类问题——工具检索本质是"候选太多、调用太贵"的检索-路由问题，只是工具场景对权限和 consent 的要求更高。
MAPS（快手广告）——现有视频广告大多走检索范式，候选创意是预制的，个性化粒度受限且跨用户群表现差异大。MAPS 改成脚本驱动：四个协作 agent 组成闭环流水线（用户画像建模、脚本生成、视频合成、反馈驱动迭代），核心 Scripter Agent 用多维奖励的 RL 框架训练，引导脚本同时对齐用户内容偏好和目标商品信息。线上 A/B 相对生成式基线，CTR +2.87%、CVR +2.74%、ARPU +9.85%。这套多 agent + RL 奖励塑造的思路与 Aligning LLMs for Controllable Recommendations 用 SL+RL 两阶段对齐 LLM 指令遵循一脉相承——都是"预训练模型 + 定制奖励"把通用能力扭到推荐目标上，MAPS 的区别在于奖励要同时管内容偏好和商品信息两个维度。
GCA ——outcome-reward RL 给 rollout 每个 token 同样的 advantage，但一次搜索 rollout 实际练两种能力：找到证据、用好证据。作者先给出证据缺口：Search-R1 在全部七个 QA 基准上准确率都涨，但 Bamboogle 上"有证据支撑的正确答案占比"从 84.0% 掉到 42.9%。根因是 GRPO 的信用分配——检索到承载答案证据的 rollout 只按它对整体准确率的相对增益获得偏好，靠记忆答题或误用证据会缩小甚至反转这个差距。GCA 用两个可验证子结果（证据检索、答案正确）分别校正搜索和回答的信用：答错比"找到证据的搜索"被罚更多，绕过可检索证据的答对被奖励更少。校正对证据查找永不取其负，且上限为每个 token advantage 的 10%，不覆盖结果信号。无额外模型、rollout、训练阶段，平均 EM 相比 Search-R1 提升 5.7（Qwen2.5-3B）和 6.3 分（Qwen3-30B-A3B），证据支撑率从 76.9% 升到 93.4%。这与 ITPO 从稀疏结果信号里推导轮次级过程奖励是同类问题——都在治"结果奖励不够细"，但 ITPO 走隐式过程奖励，GCA 走可验证子结果且有 10% 硬上限保证不盖过主信号。
记忆门控 ——长期记忆能让 LLM agent 个性化后续交互，但有限记忆库不可能保住每个抽取的事实。现有记忆门控策略通常跨用户共享，忽略用户特定的未来复用模式。作者在事实级做门控：先用检索式标注策略给每个事实打标（后续是否被检索并纳入回复），然后把在线记忆门控形式化为带延迟单边反馈的 contextual apple tasting，提出 Warm-Start UCB，把离线学习和在线自适应结合。理论给出当延迟窗口 ≤ O(√T) 时的高概率遗憾上界 Õ(Tε ∧ d√T)。不同记忆预算和历史长度下实验都优于所有基线。这条线与 Design Experiments 用 Artificial Replay 做 bandit 算法对比实验、RAW-UCB 在 rested/restless rotting bandit 里求近最优遗憾是同一套理论工具链——把"什么该记住"翻译成"什么时候该探索"，代价是延迟反馈。
多模态检索与 Embedding 部署
多模态检索这一周的两个工作都在回答"如何在算力预算内做大模型"：一个用非对称部署把建索引和查询解耦，一个把偏好学习塞进检索目标。
PAIR（LinkedIn）——职业社交网络上的相关是互补而非对称的（求职者更可能和招聘者互动，而非学历相近的同行），通用 profile 相似度 embedding 在这里会排错。PAIR 把 DPO 的偏好学习视角实例化为曝光条件多负样本对比目标，无需参考模型就能扩到大候选集。用位置编码聚合点击历史，实现常数成本的用户表示更新——新交互无需重编码历史，服务期靠轻量 CPU 操作更新个性化，不用重复 LLM 推理。0.6B 模型在 LinkedIn Premium 检索任务上 MAR@100 达到 0.45，线上 A/B 提升 CTR 与 Premium 留存且无延迟回退（未披露具体数值）。这与 CELA 用三阶段范式整合文本特征和语言模型、保留 ID 模型协同过滤能力在动机上一致——都在解决"通用 embedding 不懂业务语义"的问题，PAIR 的解法是把偏好而不是相似度写进对比目标。
pplx-embed-v2-late（Perplexity AI）——0.6B 和 9B 两个多语言多模态 late-interaction 模型，用 18B 教师做表示级蒸馏，共享嵌入空间支持非对称部署：9B 建索引、0.6B 查询。各自尺寸级别内文本、图像、视觉文档检索基准 SOTA，ViDoRe-V3 上 0.6B 视觉文档检索可与数倍大模型竞争。这套非对称 late-interaction 部署延续了 Col-Bandit 用零样本查询时剪枝把 MaxSim FLOPs 降最多 5 倍而保排序保真、TileMaxSim 用 IO 感知 kernel 在 H100 上做到 80.2% 峰值带宽的思路——三者都在治 late-interaction 的算力开销，只是切入点分别是"查询时剪枝"、"kernel 级优化"、"建索引用大模型、查询用小模型"。
值得关注的方向
语义 ID 的生命周期管理会变成独立工程课题。 天猫 SID 拓扑保持给出的三条数字是明确的信号：映射更新在 beam size 1 时让 HitRate 掉 41.78%–62.05%，变更比例与检索质量严格单调，热启动能把新物品 HitRate 提 109%。这套结论目前停留在"插入新物品、冻结旧物品"的部署原则层面，还没有配套的理论刻画——多大的新物品注入速率、多长的冻结窗口、什么条件下热启动失效，都缺可预测模型。快手 AGR 在解码期按需取特征、OneLatent 用 latent 压缩推理成本，也在同一问题域里。下一个有实际价值的贡献可能是"语义 ID 漂移的可预测刻画"——类似 Predictable Scaling 的缩放律，但对象是码本随时间的退化曲线。
长序列排序的成本-效果前沿正在被级联蒸馏和缩放律预测两条路同时压缩。 快手 ECHO 用 DS+TFR 在 100K 序列上把序列分支 FLOPs 降 160 倍，线上 app usage time +0.613%；Meta Predictable Scaling 用缩放律把假设探索的全量训练压到 79%–88% 计算节省。两条路的交汇点是同一个问题——"多大的模型/多长的序列值得训练"。如果缩放律预测能把"某个架构改动在 100K 序列上的收益"也从代理规模预测出来，模型探索的成本会再降一个量级。推进方是快手和 Meta 两边。
Agent 系统的评估、归因、监控会在近一年内形成一套类似传统推荐离线评估体系的规范。 UserArena 提供了可对照生产 A/B 的交互式基准，LARA 定义了 agentic 检索的五层归因 schema，MOSS 展示了 LLM 相关性评分如何在生产环境持续运行 6 个月并发现真实缺陷，显式反馈契约则给出了 agent 迭代流程的噪声阈值规范。这四个工作拼起来是一套"能不能上生产、上线后怎么知道它坏了"的基础设施。目前还缺的是跨厂商的评估协议对齐——LARA 的四字段 lineage schema、UserArena 的五级评估、MOSS 的结构化告警，各自独立，尚未打通。谁先把这套协议标准化，谁就会成为 agentic 推荐评估的事实接口。
本周论文速览
生成式推荐与语义 ID 工程化
OneLatent — 快手提出 latent 推理框架，把显式 CoT 压成可学习 latent token；SID@64 相比 Think/No-Think 变体提升 17.44%/9.33%，推理吞吐提升超 17 倍，本地生活广告线上收入 +9.6%。
SPAR — 优酷提出前缀感知的个性化自适应树解码器与 RQ-PIB 前缀平衡 SID 构建；线上观看时长 +3.95%，播放转化率 +3.38%。
SID 拓扑保持 — 阿里巴巴/天猫系统量化 SID 映射更新的语义漂移危害，提出「插入新物品、冻结旧物品、热启动」原则；线上 GMV +1.16%，UCTCVR +0.29%。
AGR — 快手把 agentic tool-use 引入生成式检索，在 SID 逐层解码时按需取特征；工业数据集、三个公开基准与线上 A/B 均有一致提升。
ReRankID — 构建仅用 SID 的推理重排测试床，发现模型倾向复制输入顺序，经四种后训练可激发排序行为；8B 模型分级排序奖励下 SID-only 排序匹配强文本 LLM（提示长度约 20 倍）。
排序模型的长序列与 Scaling 优化
ECHO — 快手提出蒸馏选择器 + 目标感知细粒度检索级联框架；100K 序列下序列分支 FLOPs 降低约 160 倍，线上 app usage time +0.613%。
FineSID — 阿里巴巴/淘宝提出内容 tokenization→语义预训练→个性化后训练渐进框架；CTR 与核心业务指标显著提升，且提升同商品内创意区分度。
Instagram 三项去偏 — Meta 把用户/物品/请求三类去偏统一为参数化算子（保留原预测 + 增量独立加权）；四臂消融 26 组对比中 17 组显著正向，已在 Instagram Feed 生产近一年并推广至 Meta 全系。
Predictable Scaling — 用缩放律从缩小代理预测全规模模型表现，保持假设排序正确前提下减少 79%–88% 训练计算。
Agent 推荐的评估与生产监控
UserArena — 阿里巴巴构建真实电商交互式基准（64,729 会话轨迹、11,010 用户、566,102 商品、13 种动作）与 OPTD 蒸馏方法，支持对照生产 A/B 做离线验证。
LARA — Adobe 提出 agentic 检索五层归因框架与四字段 lineage schema；Adobe Express 上 chat 用户改写率 44.4% 高于 gallery 的 33.1%。
MOSS — 大型美国零售商把 LLM 相关性评分嵌入循环监控，部署 6 个月发现两个线上缺陷，回填修复告警率相对下降 76.4%。
显式反馈契约 — 提出基于配对标准误噪声阈值的反馈契约；控制任务报告增益从 0.0157 降至 0.0033，停止轮次从 30 降至 4–12。
Agent 的工具、记忆与强化学习
Tool Recommendation — Arcade.dev 部署三工具接口网关系统暴露 8200 个工具；ToolRet top-10 全覆盖率比 BM25 高 57%，配对会话 token 降 17%/40%，账单最高降 40%。
MAPS — 快手提出多智能体脚本驱动视频广告生成系统，RL 训练 Scripter Agent；线上 CTR +2.87%、CVR +2.74%、ARPU +9.85%。
GCA — 用证据检索与答案正确性两个可验证子结果分别校正搜索与回答信用；Qwen2.5-3B/Qwen3-30B-A3B 上平均 EM 较 Search-R1 提升 5.7/6.3 分，证据支撑率从 76.9% 升至 93.4%。
记忆门控 — 把个性化记忆门控建模为延迟单边反馈 contextual apple tasting，提出 Warm-Start UCB 并给出遗憾上界 Õ(Tε ∧ d√T)。
多模态检索与 Embedding 部署
PAIR — LinkedIn 把 DPO 偏好学习实例化为曝光条件多负样本对比目标，位置编码聚合点击历史实现常数成本用户更新；0.6B 模型 MAR@100 0.45，线上 CTR 与 Premium 留存提升且无延迟回退。
pplx-embed-v2-late — Perplexity AI 发布 0.6B/9B 多语言多模态 late-interaction 模型，18B 教师表示级蒸馏实现非对称部署；ViDoRe-V3 等基准同尺寸 SOTA，0.6B 视觉文档检索媲美数倍大模型。