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。

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。

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。

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

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。

本周工业界论文密度明显高于往常。TikTok、快手、百度、Google、LinkedIn、Meta、Spotify、Walmart 都拿出了带线上 A/B 的系统论文，覆盖从召回、粗排、精排到出价的完整链路。另一条线是评估与数据质量——Netflix 的反事实可观测性框架、Meta 的合成数据过滤，以及一篇质疑 LLM 重排评估协议的实证审计。 主线一，生成式召回的连续空间与统一级联。 X-Rec（ByteDance）放弃 semantic ID 的离散 token 路径，改在连续 item embedding 空间用 flow matching 直接学推荐分布，推理吞吐是 SID-AR 的 3.46 倍，TikTok 垂直内容互动 +4.1484%。OneTrans-V2 则把召回/粗排/精排压进一个 Transformer，GMV +9.74%、同硬件吞吐 3.2 倍。两者的共同指向是——生成式推荐的瓶颈已经从"能不能生成"转移到"生成路径的吞吐与检索精度如何兼得"。 主线二，工业系统在评测口径上的自我修正。 Recall Ceiling 发现 LLM 重排常用的 oracle 协议把 NDCG@10 高估了 92–95%，真实检索的 Recall@100 只有 2–19%，天花板直接锁死了重排的上限。FROST（Meta）则从数据侧入手，用真实数据梯度锚定合成样本效用，过滤掉 20–30% 合成数据反而提升下游效果。这类工作不产出新模型，但会改变别人怎么读别人的结果。 主线三，MoE 与参数继承成为 scaling 的工程抓手。 IntBMoE（Alibaba AMap）通过 block-conditioned 专家组合把 MoE 的参与度、执行量、物化量三者解耦，60ms 延迟下服务数亿用户，UVCTR +2.4%。Inherit4Rec（快手）则用参数继承做稠密到稀疏的平滑转换。两条路都在回答同一个问题：容量怎么涨，而延迟不涨。

生成式召回从"离散SID"走向"连续空间"：X-Rec 用 flow matching 直接在连续 item embedding 空间学习推荐分布，规避 SID 量化误差与自回归低吞吐，3.46× 吞吐 + TikTok 线上验证；OneTrans-V2 的 DCGR 则把多目标召回通道统一为决策条件生成。生成式召回正从"token 序列生成"向"连续几何生成"演进，工业界已进入真刀真枪的线上比拼阶段。; 全链路统一建模成为工业级新范式：OneTrans-V2 用一个 Transformer 打

预算受限重排成为 RAG/推荐系统的结构性痛点：BoundaryMORPH 直指 cross-encoder 预算 B 小于上下文窗口 k 的结构性错配，用高斯过程将有限算力聚焦于 top-k 边界集合判定；Q-REACT 则把有限 reranker 反馈蒸馏为可复用的 query 侧残差。两篇共同指向一个工程共识——重排算力必须"花在刀刃上"，而非均匀验证头部候选。; LLM 推荐评估方法论遭遇系统性反思：Recall Ceiling 论文揭示 oracle 协议高估 NDCG@10 达 92

工业界聚焦"实验速度"与"鲁棒性"两大工程命题：Spotify 与 Google/YouTube 两篇工业论文均不追求新模型范式，而是解决 LLM 重排的行为特征 shortcut 问题、多任务实验迭代周期过长问题——前者用双样本 feature-dropout 训练，后者用轻量排序头 + stop-gradient 隔离，说明大规模系统的瓶颈已从"模型精度"转向"迭代效率与稳定性"。; 行为信号注入的"双刃剑"效应被系统性正视：QSS 类历史统计特征在 head query 上收益显著（离线