推荐算法日报 - 2026-10-16
Section 1: 📊 Trend Analysis
🔥 检索的瓶颈从“能不能召回”转向“读不读、读多深、何时停”
《Retrieved but Not Read》把失败拆成阅读深度问题:snippet-only 占 2.6–76.0%,而打开并引用页面可把过时答案率从 6.4% 压到 1.3%;AURA 进一步把“何时停止推理”变成可学习效用,BRIGHT nDCG@10 34.7 反超完整轨迹 33.0,延迟从 4.6s 降到 0.76s。两者共同说明:在检索菜单固定的前提下,增量收益来自对证据消费过程的控制,而不是再堆一路召回。下一阶段检索系统的核心指标会从 recall/nDCG 扩展到“单位 token 的有效证据增益”。
💡 Agent 检索对象外溢:工具、Agent Card 与图谱证据
TRACER 把工具检索重构为执行前缀上的序列预测,选择准确率 +4.7 点、每步输入 token 降 80%;SSR 面向 Agent Card,N=1000 时 token 减 98.8%、延迟降 70.9%,但 MS MARCO R@10 0.3378 仍落后 BM25 的 0.3890;CARA 用因果必要性与本质性给图谱证据打分,Hit@1 全面优于 ARK,代价是 AMAZON 延迟 145s vs 105s。注册表规模上来后,“候选上下文可扩展性”会比纯相关性更先成为瓶颈,但结构信号只在结构化对象上占优,通用检索仍难越 BM25。
🔥 效率红利与可信度赤字同时放大
Adaptive Sparse Supervision 把索引从 83GB 压到 13GB、延迟从 1046.28ms 降到 89.87ms,MRR@10 仍达 0.408;RecSoup 推理快 165–228×,ICPSL 较 ParetoFlow 快约 1.3×10³。但另一侧,《Encoded but Exposed》显示闭集 1000 下 MiniLM-L6 攻击 MRR 可达 1.00,LLM 混淆后描述攻击仍有 0.32–0.51;确定性流水线论文则用并发慢 18% 换字节级复现。17 篇中仅 Meta 一篇进入生产部署,效率数字越漂亮,越需要线上与隐私侧的对照证据。
Section 2: 📋 今日速览
1. Meta AI Infra 以生产 DLRM 为例完成 AMD MI350X 全栈协同设计,端到端吞吐最高 1.5×、对 B200 几何平均 101%,已在数万块 MI350X 上生产部署。↗
2. 未披露机构(工业界) 构建 OCR 到推理全链路的确定性医疗器械文档评估流水线,实现各阶段字节一致,代价是并发慢 18%。↗
3. BBC R&D × Quantinuum 用 DisCoCirc 文本图转变分量子电路做内容推荐,47.4K 参数取得 13.33% MAP,接近 17.8M 参数 BiLSTM 的 13.03%。↗
4. 复旦–京东等 发布 GACC-Bench 目标自适应上下文压缩基准,10% 预算最佳仅 57.41% Micro / 14.80% Macro,全上下文为 99.38%/96.80%。↗
5. 产学合作团队(未披露) 发布 LOADBench 模拟 IC 开放数据集与六任务协议,拓扑选择全指标 top-1 37.2%(随机 7.8%)。↗
6. Owen Walters 等 用阅读深度指标拆解“检索到却不读”,打开并引用页面使过时答案率从 6.4% 降至 1.3%。↗
7. Tanish Kher 等 提出 TRACER,把工具检索建模为执行前缀上的序列预测,选择准确率 61.9% vs 57.2%,每步 token 降 80%。↗
8. Giancarlo Maldonado Cárdenas 等 提出 SSR,用 IDF 加权结构信号与倒排索引做 Agent Card 预选,N=1000 时 token 减 98.8%、延迟降 70.9%,但通用检索未超 BM25。↗
9. Subigya Nepal 等 审计 17 个聊天机器人转介被拒后的多轮行为,仅 27.4% 在第 10 次拒绝后仍转介,话题转换后重新转介达 53.6%。↗
10. Zidong Jia 等 提出 RecSoup,用任务向量冲突剪枝加轻量门控做可控多目标推荐,Hypervolume 最高 +8.5%、推理快 165–228×。↗
11. Zhaoqian Xue 等 提出 ReviewPilot,以可追溯多智能体覆盖 PRISMA 筛选与抽取,筛选 macro F1 最高 0.776、抽取 F1 最高 0.788。↗
12. Weicheng Liu 等 提出 CARA,以因果必要性与本质性引导 KG 检索,STaRK 三数据集 Hit@1 62.4/84.9/59.5 均优于 ARK,但延迟更高。↗
13. Shiqi Zhang 等 发布 VoteGEO-Bench,在固定网页池评测 11 种 GEO 策略,target-specified 的 36 个设定中 24 个显著正增益。↗
14. CMU–Pitt 联合团队 提出 AURA,用中间状态效用学习“何时停止推理”,BRIGHT nDCG@10 34.7,延迟从 4.6s 降至 0.76s。↗
15. Tongna Chen 等 提出自适应 α-截断稀疏对齐,MS MARCO MRR@10 0.408 超 SPLADE++,索引 13GB vs Lion-sp 83GB。↗
16. Yiming Yao 等 提出 ICPSL,用 in-context 超网络一次前向输出偏好条件化 Pareto 解,平均排名 2.73,推理较 ParetoFlow 快约 1.3×10³。↗
17. Linda Beková 等 用余弦相似度攻击反演物品文本嵌入,闭集 1000 下 MiniLM-L6 MRR 达 1.00,LLM 混淆后描述攻击仍约 0.32–0.51。↗
Section 3: 🎯 今日主题
从召回走向过程控制:检索栈的第二次重构
问题背景。 检索系统的默认假设正在失效:证据“在库里”不等于“被用上”,候选“变多”也不等于“更好用”。
- 检索成功后仍然失效:《Retrieved but Not Read》中 snippet-only 占 2.6–76.0%,对应过时答案率 6.4%,说明失败发生在“读”的阶段而非“搜”的阶段。
- 推理成本失控:AURA 测得完整推理轨迹延迟 4.6s,而大量查询并不需要这么多步。
- 候选上下文线性膨胀:SSR 指出注册表扩大不应线性推高暴露给编排器的信息;N=5000 时全目录编排 200 次调用全部失败。
- 压缩目标错位:GACC-Bench 在 10% 预算下最佳仅 57.41% Micro / 14.80% Macro,全上下文为 99.38%/96.80%,现有压缩器保留的是“重要内容”而非“目标相关内容”。
代表方案对比。 七篇从不同切口回应同一矛盾,可粗分为“改输入”“控过程”“换对象”三类。
- Retrieved but Not Read(未披露):切口是证据消费行为,做法是用 6 类 prompt 与工具轨迹定义阅读深度,并以 logit / Jacobian lens 分层分析,结果是打开并引用页面使过时答案率 6.4%→1.3%、不忠实引用 6.4%→2.3%。
- AURA(CMU–Pitt):切口是推理步数分配,做法是以检索特异性边际增益加权中间状态 InfoNCE、用约 10M 参数 MLP 估计效用并早停,结果 BRIGHT nDCG@10 34.7、延迟 4.6s→0.76s。
- TRACER(未披露):切口是工具调用的序列性,做法是用训练轨迹建执行 trie、按完整前缀做状态条件化混合打分,结果选择准确率 61.9% vs 57.2%、每步输入 token 降 80%。
- SSR(未披露):切口是候选上下文可扩展性,做法是用 IDF 加权 unigram/bigram 结构信号加倒排索引 ISI 预选至多 K 个候选,结果 N=1000 时 token -98.8%、延迟 2.647s→0.769s,但 MS MARCO 未超 BM25。
- CARA(未披露):切口是图谱证据的相关性定义,做法是以必要性与本质性由 LLM 打分并指导跳转、多智能体 RRF 聚合,结果 STaRK 三数据集 Hit@1 62.4/84.9/59.5 优于 ARK,AMAZON 延迟 145s vs 105s。
- Adaptive Sparse Supervision(未披露):切口是稀疏索引的监督信号,做法是按累计激活质量做输入自适应 α-截断、以 SPLADE 为结构锚点,结果 MRR@10 0.408、索引 13GB、延迟 89.87ms。
- GACC-Bench(复旦–京东等):切口是压缩的评测口径,做法是只给高层目标、隐藏下游问题,结果 10% 预算最佳 57.41%/14.80%,与全上下文差距悬殊。
核心差异。 七篇最大的分歧不在模型,而在“在哪一层干预”与“用什么信号监督”。
- 沿干预位置:稀疏对齐与 GACC 改输入表示,AURA / TRACER / CARA 控检索与推理过程,Retrieved but Not Read 只做观测与归因,本身不提出干预。
- 沿监督来源:TRACER 用轨迹转移频次、CARA 用因果必要性、AURA 用检索效用、稀疏对齐用 SPLADE 结构锚点,只有 Retrieved but Not Read 依赖 4,108 条人工评阅建立 ground truth。
- 沿效率代价:AURA 与 TRACER 同时降 token 与延迟,CARA 用更高延迟换可解释性,SSR 用通用检索效果换可扩展性。点睛:过程控制的收益真实,但每种控制都对应明确失效边界——AURA 依赖 ReasonIR 训练分布、TRACER 冷启动会落到 trie 外、CARA 在关系密集问题上延迟翻倍。
趋势判断。 检索栈正在从“召回管道”变成“计算分配器”,但离生产仍有距离。
- 评测会从单点 nDCG 转向“证据增益 / token / 延迟”的联合口径,GACC-Bench 的 Macro 指标是先行信号。
- 过程控制器需要与索引、压缩协同设计,单点优化已现收益递减:AURA 仍依赖 ReasonIR 545K 样本,TRACER 的 free-running 成功率仅 58.3% vs 58.2%。
- 本节七篇全部离线,唯一带端到端 LLM 仲裁的 SSR 也未上线;线上延迟与失败模式仍是空白。
方案 | 机构 | 提升幅度 | 部署状态 | 数据规模 | 场景泛化 | 置信度 |
Retrieved but Not Read | 未披露 | 过时答案率 6.4%→1.3%;不忠实引用 6.4%→2.3% | 仅离线 | 225 事实 / >30,000 回复 / 4,108 人工评阅 | 特定(时序事实问答) | 高 |
AURA | CMU–Pitt | nDCG@10 34.7 vs 33.0;延迟 4.6s→0.76s | 仅离线 | 545K 样本 / BRIGHT 12 领域 | 通用(英语推理密集检索) | 高 |
TRACER | 未披露 | 准确率 +4.7 点;每步 token -80% | 仅离线 | 4 基准 / 4 模型 / 128 工具 | 通用(工具检索) | 高 |
SSR | 未披露 | token -98.8%(N=1000);延迟 -70.9% | 仅离线 | 1,000 Agent Card / 250 查询;MS MARCO 8.8M 段落 | 特定(Agent Card) | 中 |
CARA | 未披露 | Hit@1 62.4/84.9/59.5 优于 ARK | 仅离线 | STaRK 三数据集 | 特定(文本丰富 KGQA) | 中 |
Adaptive Sparse Supervision | 未披露 | MRR@10 0.408 vs 0.383;延迟 89.87ms vs 1046.28ms | 仅离线 | MS MARCO + 6 BEIR | 通用(稀疏检索) | 高 |
GACC-Bench | 复旦–京东等 | 10% 预算 57.41%/14.80% vs 全上下文 99.38%/96.80% | 仅离线 | 500 目标 / 2,571 问题 / 281 上下文 | 特定(长上下文压缩) | 中 |
Section 4: 📰 Daily Digest
1. Architecting for Hardware Diversity: Meta's End-to-End Co-Design for High-Performance AI Training on AMD GPUs
🔗 原文:https://arxiv.org/abs/2610.22230
🏷️ 来源:🏭 工业界 | Meta
👥 团队:Meta AI 基础设施与 PyTorch / ROCm 协同设计团队(据提炼分析推断)
🎯 业务场景:推荐模型训练基础设施(DLRM)
✍️ 主要贡献人:Haoyu Zhang, Arshad Rahman, Adnan Aziz
🏛️ 代表组:Meta AI Infra(PyTorch / ROCm 上游团队)
⭐ 评分:⭐×5 (5/5)
🎯 推荐理由:首份超大规模厂商公开的 AMD GPU 生产级训练全栈实践,指标数据扎实,并且有真实的上游贡献与部署规模。
📝 摘要:Meta 以生产 DLRM 训练为例,系统回答“为 NVIDIA 深度优化的模型如何高性能迁移到 AMD”。方法以硬件—模型协同设计为主线:利用 MI350X 的 1.6× HBM 扩大 per-GPU batch、减少 activation checkpointing、优化并行与 embedding re-sharding,并以 Origami 分析式 GEMM 选型、RCCL 通信改造、rocSOLVER 特征分解、Triton kernel 调优及 agentic 工作流完成全栈优化。相对直接移植基线,端到端吞吐最高提升 1.5×,MI350X 对 B200 几何平均达 101%,协同设计带来 20% 加速与 >0.1% NE 改善,已在数万块 MI350X 上支撑生产训练。
🔬 实验评估:
- 📈 提升幅度:端到端最高 1.5×;MI350X 相对 B200 几何平均 101%;协同设计 +20% 训练加速、NE 改善 >0.1%;RCCL 与 NCCL 差距由 2× 收窄至 10–15%
- 🚀 部署状态:✅ 已推全(数万块 MI350X 支撑生产训练)
- ⏱️ AB 周期:未报告
- 📊 数据规模:生产 DLRM 模型集;数万块 MI350X;具体模型与样本量未报告
- 🔄 离线-线上一致性:微基准与端到端生产吞吐趋势一致;未做独立 A/B
- 🎯 场景泛化性:⚠️ 特定场景(AMD MI350X 上的 DLRM 训练,方法论可迁移)
- 🔍 业内对标:对比高度优化的 NVIDIA B200 基线;RCCL vs NCCL、rocSOLVER vs cuSOLVER、Origami vs 穷举自动调优(选型效率 93%)
- 🛡️ 置信度:高 + 生产规模部署、多层级硬指标与上游代码落地相互印证
2. Retrieved but Not Read: Understanding Why Search-Augmented LLMs Fail to Use Available Evidence
🔗 原文:https://arxiv.org/abs/2610.21731
🏷️ 来源:🎓 学术界 | 未披露
👥 团队:搜索增强 LLM 忠实性研究团队(未披露)
🎯 业务场景:通用(搜索增强 / RAG 问答)
✍️ 主要贡献人:Owen Walters, Lihu Chen, Francesca Toni
🏛️ 代表组:未披露
⭐ 评分:⭐×4 (4/5)
🎯 推荐理由:把“检索失败”与“读不读证据”拆开量化,给出可复用的阅读深度指标与分层机制解释。
📝 摘要:论文追问搜索增强 LLM 为何在证据可得时仍答旧事实,将其归因于“检索到却不读”:模型只看 snippet 不打开来源页面。作者以 2026-02-16 为截止构造六领域时序事实集,冻结检索菜单,比较 1 个闭源与 6 个开放模型,用 6 类 prompt 与工具轨迹定义阅读深度,并以 logit / Jacobian lens 做分层分析。超过 30,000 条回复、4,108 条人工评阅显示:snippet-only 占 2.6–76.0%,其过时答案率 6.4%、不忠实引用 6.4%,打开并引用时降至 1.3% / 2.3%;失败常因旧知识在末层反超检索值。
🔬 实验评估:
- 📈 提升幅度:打开并引用页面使过时答案率由 6.4% 降至 1.3%、不忠实引用由 6.4% 降至 2.3%;搜索使断言核查准确率提升 27–42 点
- 🚀 部署状态:❌ 仅离线验证(含对 Luna 原生联网搜索部署态的观察)
- ⏱️ AB 周期:未报告
- 📊 数据规模:225 条事实、>30,000 条回复、4,108 条人工评阅、7 个模型配置
- 🔄 离线-线上一致性:冻结检索中复现了部署态 9 类失败中的 7 类(OR 1.84–6.46)
- 🎯 场景泛化性:⚠️ 特定场景(训练截止后数值变化的时序事实问答)
- 🔍 业内对标:在既有“检索缺失 / 不忠实引用”研究上新增阅读深度分层与内部表征证据
- 🛡️ 置信度:高 + 大样本、多模型、人工评阅;但仅一个闭源模型、分层分析非因果干预
3. Making every stage of medical device document assessment with large language models deterministic
🔗 原文:https://arxiv.org/abs/2610.21300
🏷️ 来源:🏭 工业界 | 未披露
👥 团队:医疗器械 LLM 评估与可复现性工程团队(未披露)
🎯 业务场景:医疗器械文档合规评估(通用 LLM 流水线工程)
✍️ 主要贡献人:Ryosuke Suzuki
🏛️ 代表组:未披露
⭐ 评分:⭐×4 (4/5)
🎯 推荐理由:少见地把“字节级可复现”当作可测试的工程条件,并给出商业部署稳定性的实测数据。
📝 摘要:论文针对 LLM 生成医疗器械文档初步判定的场景,追问整条流水线能否逐字节复现。作者并行推进两条工作:一是黑盒测量 14 个商业部署(3 家厂商 7 个模型、6 条路由)在相同请求下的重复性;二是构建从 OCR、分块、embedding、索引、检索到推理均确定性的流水线,逐阶段哈希比对定位首个不一致点。700 次请求显示,无任何部署对所有 prompt 完全一致,14 个中 12 个至少改过一次标签,引用段落的差异普遍不少于标签;而确定性流水线在固定 GPU 与引擎配置下各阶段字节一致,batch invariance 使并发慢 18%。
🔬 实验评估:
- 📈 提升幅度:确定性流水线实现各阶段字节一致;商业部署最多 18/70 条 prompt 标签改变;并发 8/16 时原始输出分别有 122/114、143、167 条不同
- 🚀 部署状态:❌ 仅离线验证(确定性流水线);商业部署为第三方黑盒实测
- ⏱️ AB 周期:未报告(连续两天、每天 5 次重复测量)
- 📊 数据规模:70 条 prompt × 700 次请求;337 份 PDF / 3,150 页;83 台设备、776 个设备–条目对;输液泵 85 份 PDF、516 对
- 🔄 离线-线上一致性:仅离线;商业 API 测量与自建流水线分属两套证据
- 🎯 场景泛化性:⚠️ 特定场景(医疗器械文档评估)
- 🔍 业内对标:与 LLM 确定性采样、batch-invariant kernel 及审计可复现性工作对接,补充端到端字节级证据
- 🛡️ 置信度:高 + 大规模重复测量、逐阶段消融;但只测可复现性不测正确性,单一判定模型与 GPU 类别,流水线未外部复现
4. A Quantum Machine Learning Approach to Content-Based Media Recommendation
🔗 原文:https://arxiv.org/abs/2610.21562
🏷️ 来源:🤝 产学合作 | BBC R&D × Quantinuum(据实验平台推断)
👥 团队:BBC R&D 推荐系统组 × Quantinuum QNLP 团队(推断)
🎯 业务场景:视频点播内容推荐(VOD 冷启动)
✍️ 主要贡献人:Mina Abbaszadeh, Ouissal Moumou, Anna Pearson
🏛️ 代表组:BBC R&D 推荐团队 / Quantinuum(推断)
⭐ 评分:⭐×3.5 (3.5/5)
🎯 推荐理由:用真实量子硬件验证“结构化语义 + 极少参数”的推荐可行性,参数效率对比很有说服力。
📝 摘要:论文面向视频点播的内容推荐,针对冷启动、元数据爆炸与高维稀疏问题,提出基于量子机器学习的内容推荐系统。方法用 DisCoCirc / QDisCoCirc 与 Lambeq 将节目简介解析为文本图并结构保真地映射为变分量子电路,以 Uhlmann fidelity 作为相似度、margin-based contrastive loss 训练,再接入 BBC R&D 的 item-based KNN 推荐器,硬件侧采用 destructive SWAP test。基于 BBC iPlayer 一周节目简介与 985 个节目对做 5 折交叉验证:量子模型仅 47.4K 参数即取得 13.33% MAP,接近 17.8M 参数的 BiLSTM(13.03%),并在 Quantinuum H2 上保持 r=0.963 的相似度相关性。
🔬 实验评估:
- 📈 提升幅度:post-selection 13.33% MAP vs BiLSTM 13.03%;参数匹配 BiLSTM 仅 9.40%;混合模型 13.80%;参数量 47.4K vs 17.8M
- 🚀 部署状态:❌ 仅离线验证(含 Quantinuum H2 真实硬件推理验证)
- ⏱️ AB 周期:未报告
- 📊 数据规模:BBC iPlayer 一周节目简介、985 个节目对、145 个节目、10,000 用户
- 🔄 离线-线上一致性:仅离线;硬件相关性与噪声模拟器一致(r=0.952)
- 🎯 场景泛化性:⚠️ 特定场景(内容冷启动推荐,单数据集)
- 🔍 业内对标:对比 BiLSTM、NTM-R、Q-BOW 与协同过滤(CF 16.00% MAP 更高)
- 🛡️ 置信度:中 + 真实量子硬件验证亮眼,但单数据集、规模有限、量子噪声与可扩展性仍是约束
5. TRACER: Trajectory-Aware Tool Retrieval for LLM Agents
🔗 原文:https://arxiv.org/abs/2610.21267
🏷️ 来源:🎓 学术界 | 未披露
👥 团队:LLM Agent 工具检索研究团队(未披露)
🎯 业务场景:通用(LLM Agent 工具调用)
✍️ 主要贡献人:Tanish Kher, Sarvesh DK, Abedelkadir Asi
🏛️ 代表组:未披露
⭐ 评分:⭐×4 (4/5)
🎯 推荐理由:把工具检索从“每步独立搜索”重构为“执行前缀上的序列预测”,token 成本与准确率同时改善。
📝 摘要:论文指出现有工具检索把每一步当作独立搜索,而工具调用本质是序列预测,据此提出状态条件化的检索前端 TRACER。方法用训练轨迹构建执行 trie,以当前轮完整前缀定位节点,子节点由转移频次先验与边记忆上下文先验打分,再由逐状态学习的凸混合权重与温度融合;置信门或未见状态回退向量检索,TRACER+G 额外并入按前缀熵选出的 3 个全局工具。在 4 个基准、4 个模型、24 个模型–环境对上,GPT-5.4 选择准确率 61.9% vs 全注册表 57.2%,每步输入 token 降 80%,free-running 成功率 58.3% vs 58.2% 且 token 少 61%。
🔬 实验评估:
- 📈 提升幅度:选择准确率 +4.7 点;每步输入 token 降 80%;24 个模型–环境对中 21 个优于全注册表,平均提升 6–10 点
- 🚀 部署状态:❌ 仅离线验证(基准评测)
- ⏱️ AB 周期:未报告
- 📊 数据规模:Mixed Tau2 R&T、Tau3 Banking、BFCL v3、API-Bank;128 个易混淆工具;4 个模型
- 🔄 离线-线上一致性:仅离线;teacher-forcing 与 free-running 两套协议并行验证
- 🎯 场景泛化性:✅ 通用(跨模型、跨基准的工具检索)
- 🔍 业内对标:对比全注册表与向量检索回退;增量在于执行前缀建模与状态条件化混合
- 🛡️ 置信度:高 + 多基准多模型一致性;但冷启动、trie 键深度未调优,free-running 早期错误会落到 trie 外
6. SSR: Structural Signal Retriever for Scalable Agent Discovery in LLM-Orchestrated Multi-Agent Systems
🔗 原文:https://arxiv.org/abs/2610.21113
🏷️ 来源:[🎓 学术界 | 未披露]
👥 团队:多智能体检索与网络系统团队(机构未披露)
🎯 业务场景:通用(Agent 发现与多智能体编排)
✍️ 主要贡献人:Giancarlo Maldonado Cárdenas, Carlos A. Astudillo, Nelson L. S. da Fonseca
🏛️ 代表组:未披露
⭐ 评分:[⭐⭐⭐½] (3.5/5)
🎯 推荐理由:适合关注 LLM 多智能体规模化编排与候选预选效率的读者,尤其是 Agent Card 原生检索与 token 成本问题。
📝 摘要:论文聚焦 LLM 编排多智能体系统中的 Agent Card 发现问题,提出“候选上下文可扩展性”:注册表扩大不应线性推高暴露给编排器的候选信息。作者给出确定性、免训练的 SSR,从名称、描述、技能、能力标签、示例与工具描述中抽取 unigram 与连续 bigram 结构信号,以 IDF 加权重叠打分,并用倒排信号索引 ISI 只对共享信号者评分排序,取至多 K 个候选交由 LLM 仲裁。在 1,000 个 Agent Card 的合成基准与 MS MARCO 上,SSR 显著压缩 token 与延迟,端到端效果与 BM25 无可检测差异,但未在通用检索上超越 BM25。
🔬 实验评估:
- 📈 提升幅度:N=100/500/1000 时平均输入 token 减少 88.1%/97.6%/98.8%,成本降 98.8%;延迟从 2.647s 降至 0.769s(70.9%,3.44×);MS MARCO R@10=0.3378、MRR@10=0.1544,BM25 为 0.3890/0.1829;IDF 使 R@10 提升 5.3%、MRR@10 提升 5.6%;ISI 使显式评分段落减少 96.8%、检索延迟加速 74.2×
- 🚀 部署状态:❌ 仅离线验证(基准 + gpt-4o-mini 端到端)
- ⏱️ AB 周期:未报告
- 📊 数据规模:SSR-AgentBench 含 1,000 个 Agent Card、250 条查询、24 个领域、144 项技能;MS MARCO 8,841,823 段落、6,980 条开发查询;端到端 N 至 5000
- 🔄 离线-线上一致性:仅离线;N=5000 时全目录 200 次调用全部失败,SSR prompt 减少 99.6%,与 BM25 端到端无显著差异(Holm 校正后 p=1.000)
- 🎯 场景泛化性:⚠️ 特定场景(Agent Card 检索;MS MARCO 仅作通用检索压力测试)
- 🔍 业内对标:对比全目录编排与 BM25;增量是以 ISI 预选解耦注册表规模与候选上下文,效率显著,但通用检索未超 BM25
- 🛡️ 置信度:中 + 合成基准与大规模 MS MARCO 实验较完整,但基准为自建、无线上部署,且通用检索指标落后 BM25
7. What do AI chatbots do after users decline therapeutic redirection for suicide thoughts?
🔗 原文:https://arxiv.org/abs/2610.21253
🏷️ 来源:[🎓 学术界 | 未披露]
👥 团队:AI 对话安全与数字心理健康交叉团队(机构未披露)
🎯 业务场景:通用(AI 聊天机器人心理健康安全评估)
✍️ 主要贡献人:Subigya Nepal, Ruth Heo, Emma M Parrish
🏛️ 代表组:未披露
⭐ 评分:[⭐⭐⭐⭐] (4/5)
🎯 推荐理由:用 4 万余条回复揭示“首轮转介”之外的真实多轮安全缺口,对 AI 心理健康产品治理很有参考价值。
📝 摘要:论文审计 AI 聊天机器人在用户拒绝自杀相关治疗性转介后的多轮行为。研究于 2026 年 9 月通过 OpenRouter 对 8 家公司 17 个模型运行 2,550 段三阶段脚本对话,共 41,450 条回复:先披露不同级别自杀意念,再最多 10 次拒绝转介,最后转向中世纪历史话题。结果显示 99.7% 首轮即转介,但持续性从 0.01 到 9.94 次拒绝差异巨大;27.4% 在第 10 次拒绝后仍转介,话题转换后重新转介占 53.6%。坚持越少的模型越常自居支持来源,新一代模型持续性反而更低。作者主张安全评估应覆盖转介被拒后的表现。
🔬 实验评估:
- 📈 提升幅度:非系统性能提升;99.7% 首轮转介、99.8% 点名具体资源、72.6% 询问安全;持续性 0.01–9.94;27.4% 第 10 次拒绝后仍转介;重新转介 53.6%;“意图”披露多坚持 1.26 次拒绝(95% CI 1.06–1.46),重新转介 OR 10.07(95% CI 7.43–13.66);ρ=−0.80;仅 2.0% 询问求助障碍
- 🚀 部署状态:❌ 仅离线审计(非系统部署)
- ⏱️ AB 周期:未报告
- 📊 数据规模:8 家公司、17 个聊天机器人、2,550 段对话、41,450 条回复;每机器人 150 段;2026 年 9 月单时点
- 🔄 离线-线上一致性:仅离线审计;LLM 编码与人工一致率 90.9%,κ 0.68–0.88
- 🎯 场景泛化性:⚠️ 特定场景(自杀风险多轮对话;英文脚本、单时点)
- 🔍 业内对标:对标既有“是否转介”单轮评估;增量是首个量化转介被拒后的持续性与重新转介,覆盖 17 个商用模型,并发现新版本持续性更低
- 🛡️ 置信度:高 + 样本量大、多模型覆盖、人工编码一致性高;但横断面脚本审计限制因果外推
8. RecSoup: Efficient Model Merging Approach for Controllable Multi-Objective Recommendation
🔗 原文:https://arxiv.org/abs/2610.21220
🏷️ 来源:[🎓 学术界 | 未披露]
👥 团队:推荐系统与模型合并团队(机构未披露)
🎯 业务场景:通用推荐(可控多目标推荐)
✍️ 主要贡献人:Zidong Jia, Guofu Xie, Xiao Zhang
🏛️ 代表组:未披露
⭐ 评分:[⭐⭐⭐⭐] (4/5)
🎯 推荐理由:把模型合并系统化用于可控多目标推荐,兼有理论边界与显著推理加速,适合多目标/可控推荐的工程团队。
📝 摘要:论文提出 RecSoup,首个将模型合并引入可控多目标推荐的框架。针对后处理重排受固定候选集限制、参数生成方法训练推理开销大且优化不稳的问题,RecSoup 分两阶段:先按目标自重要性与跨目标相关性构造组合重要性,对任务向量做冲突缓解剪枝;再用轻量门控网络把用户偏好映射为合并系数,冻结任务向量与基座,仅训练门控。理论证明参数生成在有限 Lipschitz 常数下无法覆盖模型合并的完整帕累托最优集。在 MovieLens-1M 与 Amazon 两个数据集、三种骨干上,Hypervolume 较 Soup/TATR 最高提升 8.5%/7.3%,推理快 165–228×,消融验证剪枝与 MLP 映射均有效。
🔬 实验评估:
- 📈 提升幅度:MovieLens-1M 上较 Soup/TATR,SASRec Hypervolume 最高提升 8.5%、TiSASRec 提升 7.3%;可控性接近 1.0 上界;推理延迟快 165–228×;β=0.5,ρ∈[0.9,0.95],实际保留比例约 0.4–0.7
- 🚀 部署状态:❌ 仅离线验证
- ⏱️ AB 周期:未报告
- 📊 数据规模:MovieLens-1M、Amazon Grocery and Gourmet Food、Amazon Toys and Games;SASRec、GRU4Rec、TiSASRec 三骨干
- 🔄 离线-线上一致性:仅离线;无线上 A/B 或生产流量验证
- 🎯 场景泛化性:⚠️ 特定场景(多目标推荐;三数据集/三骨干验证)
- 🔍 业内对标:对比 MMR、CMR、Paragon、Soup、TATR,并以 Retrain 为 oracle;增量是首个模型合并 CMOR 框架,给出参数生成覆盖帕累托集的 Lipschitz 条件,并避免超网络/扩散的三次方开销
- 🛡️ 置信度:中 + 多数据集多骨干与理论分析较扎实,但均为离线公开数据,缺少工业级规模与线上验证
9. ReviewPilot: A Multi-Agent System for Screening and Data Extraction in Systematic Reviews
🔗 原文:https://arxiv.org/abs/2610.21042
🏷️ 来源:[🎓 学术界 | 未披露]
👥 团队:LLM 多智能体与证据合成团队(机构未披露)
🎯 业务场景:通用(科研文献综述自动化)
✍️ 主要贡献人:Zhaoqian Xue, Shaoze Zhou, Xuexin Li
🏛️ 代表组:未披露
⭐ 评分:[⭐⭐⭐] (3/5)
🎯 推荐理由:面向 PRISMA 的可追溯多智能体综述系统,筛选与抽取均带理由/来源,适合证据合成工具链研究者。
📝 摘要:ReviewPilot 是面向系统性文献综述的会话式多智能体系统,自动化 PRISMA 流程中的论文筛选与信息抽取。针对深度研究工具只给摘要、不记录排除理由与数值来源的问题,系统允许研究者通过对话定制纳入标准与抽取 schema,并用项目记忆保存配置与修订;每条筛选决定附理由,每个抽取值附来源。在流行病学专家综述上,ReviewPilot 在三种 LLM 上均优于单提示 LLM 与 AgentSLR,筛选 macro F1 最高 0.776,抽取 F1 最高 0.788;生物医学与人机交互案例显示与人工标注者高度一致,提示可迁移到流行病学之外。
🔬 实验评估:
- 📈 提升幅度:筛选 macro F1 最高 0.776,抽取 F1 最高 0.788;三种 LLM 上均优于单提示 LLM 与 AgentSLR
- 🚀 部署状态:❌ 仅离线验证(开源原型,未报告部署)
- ⏱️ AB 周期:未报告
- 📊 数据规模:流行病学专家综述;具体纳入研究数摘要未报告;3 个 LLM;另含生物医学与 HCI 案例
- 🔄 离线-线上一致性:仅离线;案例研究显示与人工标注者高度一致,摘要未报告定量一致性指标
- 🎯 场景泛化性:⚠️ 特定场景(系统综述;跨领域仅案例验证)
- 🔍 业内对标:对比单提示 LLM 与 AgentSLR;增量是 PRISMA 全流程可追溯(排除理由 + 抽取来源)与会话式 schema 定制
- 🛡️ 置信度:中 + 三 LLM 对比与专家综述结果积极,但仅摘要可见,数据规模、统计检验与基线细节不足
10. CARA: Causally Guided Retrieval Agent for Question Answering
🔗 原文:https://arxiv.org/abs/2610.22017
🏷️ 来源:[🎓 学术界 | 未披露]
👥 团队:知识图谱检索与因果推断团队(机构未披露)
🎯 业务场景:通用(知识图谱问答)
✍️ 主要贡献人:Weicheng Liu, Xiangcheng Wu, Depeng Xu
🏛️ 代表组:未披露
⭐ 评分:[⭐⭐⭐½] (3.5/5)
🎯 推荐理由:用因果必要性与本质性重定义图谱证据相关性,为 KGQA 检索智能体提供了可解释的免训练方案。
📝 摘要:论文提出免训练、因果引导的检索智能体 CARA,用于文本丰富知识图谱问答。作者将因果相关性操作化为必要性(加入证据是否提升可回答性)与本质性(移除证据是否削弱可回答性),由 LLM 对候选节点打分融合,并结合路径一致性指导跳转;智能体可自主决定继续、重锚定或结束,多个智能体并行检索后用 RRF 聚合。在 STaRK 的 AMAZON、MAG、PRIME 上,CARA 的 Hit@1 为 62.4/84.9/59.5,MRR 为 71.3/88.1/67.7,均优于 ARK,BERTScore 最高;检查节点更少但延迟更高(AMAZON 145s vs 105s)。消融显示因果模块关键。
🔬 实验评估:
- 📈 提升幅度:Hit@1 62.4/84.9/59.5,MRR 71.3/88.1/67.7,均优于最接近的智能体基线 ARK;BERTScore 30.7/40.2/41.3 最高;忠实度 88.0/82.6/86.1(KAR 最高);AMAZON 检查节点 122 vs ARK 152;延迟 145s vs 105s,PRIME 276s vs 141s
- 🚀 部署状态:❌ 仅离线验证
- ⏱️ AB 周期:未报告
- 📊 数据规模:STaRK 的 AMAZON、MAG、PRIME;共享 Qwen3.8-27B 骨干;CARA 用 3 个智能体、Tmax=150、GlobalSearch k=30、Neighbors k=20、λ=0.5、α=0.5
- 🔄 离线-线上一致性:仅离线;标准答案由 Qwen3.8-27B 基于真值实体生成并校验,约 10% 人工抽查
- 🎯 场景泛化性:⚠️ 特定场景(文本丰富 KGQA;关系密集问题延迟上升)
- 🔍 业内对标:对比 ARK、KAR 等智能体检索器;增量是以因果必要性/本质性驱动跳转,并以 RRF 聚合多智能体,检索指标优于 ARK,但延迟更高
- 🛡️ 置信度:中 + 三数据集与完整消融支持结论,但标准答案依赖 LLM 生成、仅约 10% 人工抽查,且额外因果推理带来明显延迟
11. VoteGEO-Bench: Measuring the Impact of Generative Engine Optimization on Electoral Visibility
🔗 原文:https://arxiv.org/abs/2610.21330
🏷️ 来源:[🎓 学术界 | 未披露]
👥 团队:Xiaokui Xiao 团队(机构未披露)
🎯 业务场景:生成式搜索 / 选举信息可见性
✍️ 主要贡献人:Shiqi Zhang、Xiaokui Xiao
🏛️ 代表组:未披露
⭐ 评分:⭐⭐⭐⭐ (4/5)
🎯 推荐理由:想了解生成式搜索如何被网页内容操纵,以及选举场景中的 GEO 风险,这篇提供了可复现基准与策略排序。
📝 摘要:论文构建 VoteGEO-Bench,覆盖 2024 年美国大选与 2026 年日本众议院选举,含查询、历史网页与选民 persona;在固定网页池中只改写目标页,以曝光增益衡量 GEO 效果。作者将 11 种策略归为 Structure、Evidence、Style、Argumentation 四类,用 gpt-4o-mini 等三个引擎在 2,939 个查询单元上评测。结果显示,目标明确的 Structure 与 Argumentation 最有效;显性党派身份造成的基线曝光差距最高 11.6 个百分点,超过单页改写收益;生成引擎更常引用候选人网站与开放平台等低成本来源。
🔬 实验评估:
- 📈 提升幅度:未报告统一提升;target-specified 在 36 个“类别×引擎×指标”设定中 24 个显著正增益(SOV 10/12),target-unspecified 仅 1 个显著正增益、4 个显著负变化。
- 🚀 部署状态:❌ 仅离线验证
- ⏱️ AB 周期:未报告
- 📊 数据规模:us-election-24 共 27,550 个查询单元、11,501 个网页;jp-election-26 共 650 个单元、5,750 个网页;基准实验 2,939 个单元。
- 🔄 离线-线上一致性:仅离线,无线上一致性数据
- 🎯 场景泛化性:⚠️ 特定场景(美/日选举生成式搜索)
- 🔍 业内对标:现有研究多关注模型政治偏见或 AI 说服;本文增量是固定网页池 GEO 基准、来源渠道与跨天可见性分析,并系统比较 11 种改写策略。
- 🛡️ 置信度:高:2,939 个单元、3 个引擎、11 种策略与显著性检验完整;但仅离线、机构未披露。
12. Learning When to Think: Utility-Guided Adaptive Reasoning for Efficient Text Retrieval
🔗 原文:https://arxiv.org/abs/2610.21030
🏷️ 来源:[🎓 学术界 | Carnegie Mellon University、University of Pittsburgh]
👥 团队:CMU–Pitt 联合团队(LLM 推理与信息检索)
🎯 业务场景:通用搜索 / RAG
✍️ 主要贡献人:Yingtao Luo、Kangyi Zhao、Shiyi Du
🏛️ 代表组:未披露
⭐ 评分:⭐⭐⭐⭐½ (4.5/5)
🎯 推荐理由:把“何时停止推理”转化为可学习的检索效用问题,兼顾效果与约 6 倍加速,适合 RAG 与检索推理落地参考。
📝 摘要:论文将推理条件检索表述为效用引导的计算分配问题,提出 AURA:在句子边界构造前缀嵌入,以检索特异性边际增益加权中间状态 InfoNCE 损失,并用约 10M 参数 MLP 估计状态效用,效用连续多步不升时停止。基于 ReasonIR 的 545K 样本训练 Qwen3-4B,BRIGHT 平均 nDCG@10 达 34.7,高于完整轨迹 33.0 与最强外部基线 32.1;延迟从 4.6 秒降至 0.76 秒,MS MARCO 上与 RaDeR-7B 相当。消融显示中间状态监督与梯度隔离均关键。
🔬 实验评估:
- 📈 提升幅度:BRIGHT 平均 nDCG@10 34.7 vs 完整轨迹 33.0(+1.7),vs 无推理最强基线 28.9(+5.8,相对 +20.1%);延迟 4.6 秒→0.76 秒,token 减少 3.5 倍,约 6 倍加速。
- 🚀 部署状态:❌ 仅离线验证
- ⏱️ AB 周期:未报告
- 📊 数据规模:ReasonIR 101K 查询、约 545K 推理样本;BRIGHT 12 个领域 + MS MARCO Dev、TREC-DL’19/DL’20;8 张 H100、约 100 GPU 小时。
- 🔄 离线-线上一致性:仅离线,无线上一致性数据
- 🎯 场景泛化性:✅ 通用(英语推理密集型检索;MS MARCO 域内保持)
- 🔍 业内对标:对标 DIVER+GPT-4(32.1)、完整轨迹(33.0)与 RaDeR-7B;增量是用中间状态效用监督替代仅终结果监督,并支持早停。
- 🛡️ 置信度:高:BRIGHT/MS MARCO 多基准、oracle 与消融充分;但仅英语、仅离线。
13. Aligning LLMs with Sparse Retrieval via Adaptive Sparse Supervision
🔗 原文:https://arxiv.org/abs/2610.21877
🏷️ 来源:[🎓 学术界 | 未披露]
👥 团队:LLM 稀疏检索与对齐团队(机构未披露)
🎯 业务场景:通用检索 / 稀疏索引
✍️ 主要贡献人:Tongna Chen、Minghan Li、Guodong Zhou
🏛️ 代表组:未披露
⭐ 评分:⭐⭐⭐⭐ (4/5)
🎯 推荐理由:展示 LLM 稀疏检索如何在接近 SPLADE++/Lion-sp 效果的同时,把索引规模与查询延迟压低一个量级。
📝 摘要:论文提出输入自适应 α-截断稀疏对齐框架:将 LLM 隐藏状态投影到词表空间,以 SPLADE 稀疏向量为结构锚点,按累计激活质量选取支撑集,集内平方逼近、集外抑制,形成查询特定监督;训练分 LoRA 稀疏对齐与对比学习、KL 蒸馏、FLOPS 正则两阶段。基于 LLaMA-3.2-1B,MS MARCO Dev MRR@10 达 0.408,高于 SPLADE++ 的 0.383;6 个 BEIR 平均 nDCG@10 为 50.3,高于 48.2。文档 L0=182、索引 13GB、延迟 89.87ms,效率显著优于 Lion-sp。
🔬 实验评估:
- 📈 提升幅度:MS MARCO Dev MRR@10 0.408 vs SPLADE++ 0.383;6 个 BEIR 平均 nDCG@10 50.3 vs 48.2;存储 13GB vs Lion-sp 83GB(减少 6.4 倍),延迟 89.87ms vs 1046.28ms(降低超过 11 倍)。
- 🚀 部署状态:❌ 仅离线验证
- ⏱️ AB 周期:未报告
- 📊 数据规模:MS MARCO Dev、TREC DL19/DL20、6 个 BEIR;LLaMA-3.2-1B;平均文档稀疏度 L0=182、索引 13GB。
- 🔄 离线-线上一致性:仅离线,无线上一致性数据
- 🎯 场景泛化性:✅ 通用(稀疏检索/倒排索引)
- 🔍 业内对标:对标 SPLADE++(MRR@10 0.383、L0 113、8GB、40.64ms)与 Lion-sp(0.410、L0 1170、83GB、1046.28ms);增量是 LLM 稀疏化后的输入自适应截断,以效率换接近效果。
- 🛡️ 置信度:高:MS MARCO + 6 个 BEIR + 效率对比完整;但未超过 Lion-sp,且未部署。
14. GACC-Bench: Benchmarking Goal-Adaptive Context Compression Ability across Large Language Models
🔗 原文:https://arxiv.org/abs/2610.21893
🏷️ 来源:[🤝 产学合作 | 复旦大学、华中科技大学、京东、哈工大、香港科技大学(广州)、中科院长春光机所]
👥 团队:复旦–京东联合团队(长上下文与 LLM 评测)
🎯 业务场景:长上下文 RAG / Agent
✍️ 主要贡献人:Weiting Liu、Zhiyu Pan、Shuhong Wang
🏛️ 代表组:复旦大学类脑智能科学与技术研究院(推断)
⭐ 评分:⭐⭐⭐½ (3.5/5)
🎯 推荐理由:首个目标自适应上下文压缩基准,揭示现有压缩器在“目标下全部问题正确”上的巨大缺口。
📝 摘要:论文提出 GACC-Bench,作者称其为首个目标自适应上下文压缩基准:只给高层目标、不暴露下游问题,考察压缩器能否保留目标相关信息。基准含 500 个目标、2,571 个问题、281 个上下文,覆盖七个来源并经专家复核;采用压缩器—读者—评委框架,固定 DeepSeek-V4-Pro 评分,评测 10 个压缩器与 6 个模型的目标消融。全上下文 Micro 99.38%、Macro 96.80%,10% 预算最佳仅 57.41%/14.80%;目标匹配稳定优于无目标与错配目标。
🔬 实验评估:
- 📈 提升幅度:未报告统一提升;10% 预算最佳 57.41% Micro、14.80% Macro,全上下文为 99.38%/96.80%;5% 预算最佳 Micro 42.86%、最佳 Macro 6.00%。
- 🚀 部署状态:❌ 仅离线验证
- ⏱️ AB 周期:未报告
- 📊 数据规模:500 个目标、2,571 个问题、281 个上下文,覆盖 7 个来源;10 个压缩器、6 个模型;testmini 651 题。
- 🔄 离线-线上一致性:仅离线,无线上一致性数据
- 🎯 场景泛化性:⚠️ 特定场景(长上下文/Agent 上下文压缩)
- 🔍 业内对标:对标 LLMLingua-2(5% 预算 Micro 11.52%、Macro 0)与 GACC Prompt(27.04%/4.84%);增量是目标条件化压缩基准与 Macro 指标。
- 🛡️ 置信度:中:人工复核与多压缩器对比扎实,但单一读者/评委、合成目标限制外部效度。
15. LOADBench: A Large Open Analog Dataset and Benchmark for Machine Learning in IC Design
🔗 原文:https://arxiv.org/abs/2610.21591
🏷️ 来源:[🤝 产学合作 | 未披露]
👥 团队:模拟 IC 设计与 EDA 交叉团队(机构未披露)
🎯 业务场景:模拟 IC 设计 / EDA
✍️ 主要贡献人:M. Leibl、F. Azevedo、S. Uhlich
🏛️ 代表组:未披露
⭐ 评分:⭐⭐⭐⭐ (4/5)
🎯 推荐理由:模拟 IC 设计少见的开放大规模数据集与六任务协议,适合做 ML for EDA 的统一评测。
📝 摘要:论文发布 LOADBench,面向 SkyWater130 PDK 下 100 多个 1/2/3 级运放拓扑,提供标注、约束、Ngspice testbench,以及每拓扑约 10^3 个 Pareto 最优和 10^6 个中间 sizing–性能对。作者用 FUBOCO 生成拓扑、NSGA-II 做多目标 sizing,定义逆 sizing、拓扑选择、子电路分类、结构生成、Pareto 隶属预测与多目标优化六个任务。基线拓扑选择 DC gain 单指标 top-1 为 91.9%,全指标 37.2%;逆 sizing 聚合 FoM 57.83,三级运放不可行预测 61.88%。
🔬 实验评估:
- 📈 提升幅度:未报告统一提升;拓扑选择 DC gain 单指标 91.9% top-1(随机基线 75.5%),全指标 37.2%(随机 7.8%);逆 sizing 聚合 FoM 57.83。
- 🚀 部署状态:❌ 仅离线验证
- ⏱️ AB 周期:未报告
- 📊 数据规模:100 多个运放拓扑;每拓扑约 10^3 个 Pareto 最优、10^6 个中间 sizing–性能对;六类任务;逆 sizing 使用 15 个运放。
- 🔄 离线-线上一致性:仅离线,无线上一致性数据
- 🎯 场景泛化性:⚠️ 特定场景(模拟 IC 设计/EDA)
- 🔍 业内对标:对标分散的模拟 IC 数据集与各自评测协议;增量是开放许可、统一六任务与指标参考实现,使异构方法可直接比较。
- 🛡️ 置信度:中:数据规模大、六任务协议完整,但机构未披露、仅离线且基线有限。
16. In-Context Preference-Conditioned Pareto Set Learning from Limited Offline Data
🔗 原文:https://arxiv.org/abs/2610.21736
🏷️ 来源:🎓 学术界 | City University of Hong Kong
👥 团队:Qingfu Zhang 多目标优化团队
🎯 业务场景:通用多目标优化(离线偏好条件化 Pareto 集学习)
✍️ 主要贡献人:Yiming Yao、Liang Zhao、Qingfu Zhang
🏛️ 代表组:CityU Qingfu Zhang 多目标优化研究组
⭐ 评分:⭐×4 (4/5)
🎯 推荐理由:用 in-context 摊销替代逐问题建模与逐偏好求解,兼顾解质量与数量级加速,值得关注 foundation 式优化器方向。
📝 摘要:针对仅有少量静态离线观测、无法继续评估目标的多目标优化场景,ICPSL 预训练 foundation 式超网络:以 GP 合成函数和 Tchebycheff 标量化签名构造上下文,经置换等变 Transformer 编码问题,再由低秩解码器一次前向生成偏好条件化 Pareto 解模型,推理无需逐偏好优化。30 个合成与工程问题上,ICPSL-MM 平均排名 2.73、15 次第一;相对 ParetoFlow 推理加速约 1.3×10^3。
🔬 实验评估:
- 📈 提升幅度:ICPSL-MM 平均排名 2.73(30 例中 15 次第一),优于 ParetoFlow 4.40、PSLR 3.63;推理较 ParetoFlow 平均加速 1.3×10^3(30/30),较 PSLR 1.8×(26/30)
- 🚀 部署状态:❌ 仅离线验证
- ⏱️ AB 周期:未报告
- 📊 数据规模:30 个测试问题;每问题仅 10 条离线观测、10 次独立运行;低维合成与工程设计基准,未报告大规模工业数据
- 🔄 离线-线上一致性:仅离线:合成函数与工程设计基准,无线上系统实验
- 🎯 场景泛化性:⚠️ 特定场景:低维连续多目标优化,尚未验证推荐系统或高维场景
- 🔍 业内对标:对比 ParetoFlow、PSLR、PSLO、DOMOO;增量在于用上下文摊销替代逐问题模型构建与逐偏好搜索,少样本一次前向输出解模型
- 🛡️ 置信度:中:30 个基准、10 次重复、95% 置信区间与多基线较扎实,但仅限低维离线评测,未见代码与部署信息
17. Encoded but Exposed: Language Embeddings can Reveal More Than They Should in Recommender Systems
🔗 原文:https://arxiv.org/abs/2610.21713
🏷️ 来源:🎓 学术界 | 机构未披露
👥 团队:未披露
🎯 业务场景:通用推荐系统(物品文本嵌入隐私)
✍️ 主要贡献人:Linda Beková、Rodrigo Alves
🏛️ 代表组:未披露
⭐ 评分:⭐×4 (4/5)
🎯 推荐理由:用极简余弦相似度攻击揭示文本嵌入的物品身份泄露,并量化混淆带来的泄露–效用权衡,是推荐系统隐私风险的重要提醒。
📝 摘要:论文形式化推荐系统物品身份推断攻击:攻击者用同一编码器编码外部辅助文本,以余弦相似度在候选集中排序,从物品嵌入反推具体物品。MovieLens 32M 与 GoodReads 上,6 个 sentence-transformer 均存在泄露;闭集 1000、受害标题+描述而对抗仅标题时,MiniLM-L6 MRR 达 1.00/0.95。LLM 混淆描述可将标题攻击 MRR 压至 0.06–0.17,但描述攻击仍约 0.32–0.51,并伴随 RMSE 上升、Spearman 下降;泄露还可传播至用户重识别。
🔬 实验评估:
- 📈 提升幅度:攻击 MRR 最高 1.00(MovieLens,闭集 1000,受害 T+D、对抗仅标题,MiniLM-L6);GoodReads 同设置 0.95;混淆后标题攻击降至约 0.06–0.17
- 🚀 部署状态:❌ 仅离线验证
- ⏱️ AB 周期:未报告
- 📊 数据规模:MovieLens 32M 与 GoodReads,各取最热 10K 物品;闭集 1K–5K、开集 2K–4K;每组 100 次随机采样;6 个编码器
- 🔄 离线-线上一致性:仅离线:基于公开数据集与离线矩阵分解效用评估,无线上系统实验
- 🎯 场景泛化性:⚠️ 特定场景:电影/图书文本嵌入,未覆盖多模态或工业级 embedding
- 🔍 业内对标:物品嵌入反演与用户重识别方向;增量在于跨数据集、开集候选、描述混淆后的泄露–效用权衡及用户级传播分析
- 🛡️ 置信度:中:两大数据集、六个编码器、100 次重复较扎实,但机构与代码未披露,且缺少线上验证
本日报由 AI 自动生成,解读观点仅供参考。