召回与索引的范式革新：今日论文显示，召回阶段正从依赖近似最近邻（ANN）搜索的传统范式，向端到端联合学习Embedding与索引的“可学习索引”范式演进。Meta的工作通过构建多面分层码本，实现了线上O(1)复杂度的直接查找，在效果和效率上取得双重突破，代表了工业界对系统级瓶颈的深度优化。; 生成式推荐的技术深化：围绕语义ID（Semantic ID）的技术探索持续深入，从固定长度向可变长度演进，以更高效地适配项目流行度分布。同时，学术界开始深入诊断和解决推荐基础模型中引入高级推理能力（如CoT

从短期指标到长期价值的优化：今日论文显示，推荐系统的优化目标正从短期转化（如点击、匹配数）向长期用户价值（LTV）和留存（Retention）深化。无论是双边匹配平台直接优化留存，还是通过数据增强提升模型泛化能力，都体现了对业务长期健康度的关注。; 利用高级语义理解解决数据问题：数据质量（稀疏性、噪声）是推荐系统的核心挑战。今日论文展示了两种利用高级语义理解（PLM）或模型自身能力来解决该问题的思路：一是利用PLM的语义相似度进行样本去噪，二是通过模型递归自生成高质量数据，这为数据工程提供了新范

生成式推荐迈向工业级长序列建模：今日多篇论文聚焦于将生成式推荐（Generative-Rec）范式推向工业级应用，核心挑战是处理超长用户行为序列。快手GEMs通过多流解码器（Recent/Mid-term/Lifecycle）解耦终身序列，字节MixFormer则通过统一架构协同扩展序列与特征交互。这标志着生成式推荐正从概念验证走向解决实际工程瓶颈。; LLM深度赋能检索与评估新范式：LLM正从简单的特征提取器演变为重构检索系统核心流程的关键组件。阿里巴巴Pailitao-VL利用LLM构建语义

📭 今日无更新：今日未收录新的精选论文，暂无趋势分析。

📭 今日无更新：今日未收录新的精选论文，暂无法进行趋势分析。

📭 今日无新论文：今日精选列表为空，暂无新的技术趋势可供分析。

工业界主导的生成式推荐落地加速：今日多篇论文展示了生成式推荐（Generative-Rec）范式在工业场景的快速实践。LinkedIn、高德、腾讯等公司均采用Decoder-only Transformer架构，通过自回归方式统一建模用户行为序列，并针对线上延迟、训练稳定性等工程挑战提出了具体优化方案（如CADET的自门控注意力、IntTravel的多任务生成、Rec2PM的偏好记忆），标志着生成式推荐正从学术探索走向大规模工业应用。; 长序列建模的系统性解法成为焦点：超长用户行为序列建模的价值

生成式推荐进入深水区，聚焦核心瓶颈与范式创新：今日多篇论文围绕生成式推荐（Generative Rec）展开，研究重点已从“是否可行”转向“如何优化”。核心议题包括：1）基础设施优化，如腾讯提出端到端语义ID生成（UniSID）以解决两阶段压缩的固有缺陷；2）训练稳定性与数据质量，如腾讯的DRPO从理论上解决离线RL的模型崩溃问题；3）解码与RL微调效率，如腾讯的V-STAR解决概率-奖励错配。这表明业界正系统性地攻克生成式推荐落地中的关键工程与算法挑战。; LLM深度赋能推荐系统，从特征理解走

效率与扩展性成为工业界核心关切：今日多篇论文聚焦于在严格算力与延迟约束下，如何高效扩展模型能力。Meta的Kunlun通过架构设计将MFU提升至37%，实现2倍扩展效率；快手的SMES通过稀疏MoE解决多任务参数扩展与延迟的矛盾；Pinterest的ML-DCN则在固定服务预算下寻求最优AUC-FLOPs权衡。这反映出工业界正从“堆参数”转向“精算力”，追求可预测的扩展定律与成本收益。; LLM深度融入推荐系统，范式走向成熟：LLM的应用正从浅层特征提取转向深度重构系统模块。小红书将Query

基于今日论文，我们观察到以下技术趋势：; 生成式推荐进入深水区，与业务场景深度融合：生成式推荐（Generative-Rec）正从通用范式探索转向针对特定场景（如直播、电商）的深度定制。快手OneLive针对直播的动态性、实时性挑战，设计了动态Tokenizer和时序感知注意力；阿里REG4Rec则引入MoE并行量化码本和推理反思机制，构建多样化推理路径。这表明业界正致力于解决生成式推荐在真实工业环境中的“水土不服”问题，使其从“能用”迈向“好用”。; LLM从“特征提供者”演变为“语义理解与对

精排模型架构的范式革新：今日多篇论文聚焦于精排模型架构的深度创新，核心在于解决模型规模扩大（Scale-up）时的效率与效果瓶颈。字节跳动提出的 Zenith 通过 Prime Token 与 Tokenwise 处理范式，系统性论证了维持“令牌异质性”是实现更优缩放定律的关键。这标志着精排模型设计从简单的堆叠层数/参数，转向对特征交互单元（Token）的精细化、差异化处理，为工业界大规模精排模型设计提供了新范式。; 生成式推荐从概念走向落地：生成式推荐正从学术探索快速演变为工业级解决方案。Ap

基于今日论文，我们观察到以下技术趋势：; 生成式推荐迈向工业化落地与基础模型构建：今日多篇高评分论文均围绕生成式推荐展开。快手OneRec开源了首个推荐基础模型全栈框架，验证了推荐领域的Scaling Law；阿里高德SCASRec将生成式推荐成功应用于路线列表推荐，线上收益显著；美团DOS则聚焦于语义ID生成这一关键组件，带来了线上收入提升。这表明生成式推荐已从学术探索进入大规模工业实践阶段，核心挑战从“能否生成”转向“如何高效、高质量、可扩展地生成”。; 端到端统一范式挑战传统多阶段Pipe