推荐算法日报 - 2026-10-20
Section 1: 📊 Trend Analysis
🔥 SID 从“构造问题”变成“生命周期治理问题”:过去生成式检索的竞争集中在如何把商品量化成更好的语义 ID,而今天的四篇工作把焦点移到了 SID 训练完成之后。Don't Rewrite the SID Map 用 67 天日志证明映射刷新本身就会损伤解码路径,OneChord 主张让训练目标对齐服务端排序分布,AGR 把 SID 注入深度变成解码期可学习的决策,Neighborhood-Aware Unlearning 则处理删除请求在 SID 邻域上的溢出。共同判断是:SID 不再是静态词表,而是一项需要版本管理、热启动与局部修复的在线资产。
💡 Agent 系统进入“成本感知”阶段,工具更多不等于效果更好:AGR 用工具令牌替代 400 个 GSU 拼接令牌,服务成本降 42.9%;OpenSaC 用程序化 Search as Code 把 BrowseComp 耗时压降 30.3%、成本降 36.4%;Which Model for Which Role 直接把“角色—模型”分配做成 Pareto 搜索。与之呼应的是 Deep Search 的冷水:更多工具调用与更长执行时间并不必然提升准确率。这说明 Agent 的下一阶段优化目标是单位成本下的有效证据获取,而非调用次数。
🔥 评测范式从单点精度转向“代价敏感 + 多目标并报”:SafeWall 指出对称损失无法反映 walltime 低估的非对称代价,Preference Is Not Position 揭示严格偏好提升 25.15 点可能伴随 MRR 从 0.5764 跌到 0.3055,Next Best Action 把预算、公平等六类约束写进 CMDP 并由对偶变量给出影子价格。三篇从不同侧面得出同一结论:只报一个头部指标已经不足以支撑部署决策。
Section 2: 📋 今日速览
- 电商搜索算法团队(未披露,天猫落地)提出拓扑保持的 SID 更新策略,冻结旧 SID 加热启动使旧/新商品 HitRate 约 +10%/+109%,线上 GMV +1.16%。↗
- 快手广告算法团队 + 北航提出 MAPS 多智能体视频广告创意生成系统,线上相对 DLRM 的 CTR/CVR/ARPU 提升 4.88%/4.01%/12.89%。↗
- 未披露机构提出 OneChord,让训练目标与服务排序分布共享同一融合分布,六个 Amazon 数据集 Recall@5/NDCG@5 平均 +6.30%/+7.12%。↗
- 未披露机构(网约车平台)提出因果约束离线 RL 的 Next Best Action 框架,离线估计客户 LTV 比行为策略高 19%、比短视策略高 8%。↗
- 未披露机构用 25 维几何特征预测 Agent 记忆失败,LongMemEval-small 上 AUROC 仅 0.640,低于问题难度基线 0.655。↗
- 未披露机构在 NevIR 固定候选池上拆分偏好与位置指标,Qwen top-20 严格偏好提至 77.45% 但暴露偏好—位置矛盾。↗
- 未披露机构发布 OpenDS-World 真实 Web 深度搜索基准,最佳模型 GPT-6 Astra 准确率 39.0%,人类仅 21.10%。↗
- 复旦大学 + 快手提出 AGR 工具增强生成式检索,相对 TIGER Recall +6.4%–14.0%,服务成本降 42.9%,线上相关性 +0.205%。↗
- Argonne + UIC 提出 SafeWall 风险缓冲层,Theta 上 XGBoost 低估率从 47.85% 降至 4.31%。↗
- NAVER AI Lab + KAIST 构建 CPR-Dataset 并做任务特异性微调,跨领域检索 Recall@10 从 0.26 提升到 0.70。↗
- Columbia + Microsoft 等提出 CC-GITTINS 多目标 Pareto 搜索,约 10%–30% 穷举成本即可恢复可观前沿。↗
- 未披露机构发布 Babbar26 多语言网页语料,联合标注五类体裁与 DOM 锚定正文区域,双标注体裁一致率 84.5%→97.1%。↗
- Università di Bari + Otto-von-Guericke 提出 Decision4Rec 决策模型插槽框架,三个稀疏 Amazon 目录 NDCG@10 较最强基线 +25–36%。↗
- BIFOLD/TU Berlin + UvA 提出邻域感知遗忘 NAU,保持 95% 以上重训效用且运行时间低约三个数量级。↗
- 未披露机构对生物医学 RAG 做语料规模受控实验,PubMed 扩至约 430 万文档后留出测试集提升 10.2–30.3 个百分点。↗
- ASU 提出 SweepANN,以 INT8 压缩全量扫描替代 ANN 索引,500M 库 K=500K 约 61 秒完成且召回 99.6%。↗
- 未披露机构提出 SNO-PI 分阶段实体链接 pipeline,SNOMED CT 官方榜 macro 0.5387 排名第一,相对 reference 提升 18%。↗
- 未披露机构发布 OpenSaC 开源库,用程序编排检索使 BrowseComp 准确率 +2.96pp、耗时 −30.3%、成本 −36.4%。↗
- 未披露机构提出 FLMNet 单塔自集成蒸馏,五个公开基准 AUC/Logloss 取得前两名,Criteo 上差距不超过 0.9×10⁻⁴。↗
- 未披露机构提出 MOSS 多模态解耦框架,Anime/Game 上 Coverage 分别 +13.2%/+30.3%、Entropy +12.8%/+19.2%。↗
Section 3: 🎯 今日主题
SID 的生命周期治理:生成式检索从静态词表走向动态服务
问题背景。 生成式检索把推荐改写成“生成物品标识”的自回归解码,但几乎所有方案都默认 SID 是训练期一次性构造、上线后保持不变的静态词表。当目录、隐私请求与上下文需求持续变化时,这个假设开始失效:
- 商品上下架触发的映射刷新会让旧解码路径失效,而宽 beam 会掩盖这种漂移,Don't Rewrite the SID Map 测得 beam=1 时 HitRate 下降 41.78–62.05%,beam=1000 时只降 8.33–10.85%。
- 训练时的下一项监督与服务端的全目录排序分布不一致,code 概率与商品相似度两套打分难以统一,OneChord 将其概括为“rank 什么就该 distill 什么”。
- 意图、新鲜度与行为序列等异构特征只能以拼接方式注入,AGR 指出拼接 400 个 GSU 令牌既昂贵又位置固定。
- 删除请求会沿共享 SID 扩散到语义邻居,Neighborhood-Aware Unlearning 发现全局指标会把这种局部损伤平均掉。
代表方案对比。 四篇工作分别把干预点放在 SID 生命周期的不同阶段。
- Don't Rewrite the SID Map(电商搜索算法团队):切口是映射刷新的损伤量化,做法是冻结旧 SID、插入新商品并热启动,结果是旧/新商品 HitRate 约 +10%/+109%,天猫三周 A/B 的 UCTCVR +0.29%、GMV +1.16%。
- OneChord(未披露机构):切口是训练目标与服务分布错位,做法是让监督、蒸馏与推理共享同一套按全目录归一化的可学习融合分布并单次并行解码,结果是六个 Amazon 数据集 Recall@5/NDCG@5 平均 +6.30%/+7.12%,生成速度快 1.04–1.18×。
- AGR(复旦 + 快手):切口是异构特征何时注入、注入到哪一层,做法是把特征封装为工具令牌并由模型在解码中按需调用、用 ρ_i 选择 SID 注入深度,结果是相对 TIGER Recall +6.4%–14.0%,服务成本降 42.9%,线上相关性 +0.205%。
- NAU(BIFOLD/TU Berlin + UvA):切口是删除操作的邻域溢出,做法是在物品级负对数似然上联合保留集修复、遗忘集梯度上升与邻域概率控制,结果是保持 95% 以上重训效用、UHF@10 由 14.850% 降至 9.419%,耗时低约三个数量级。
核心差异。 四条路线真正的分歧不在模型结构,而在“把不变量放在哪里”。
- 沿干预时点看,Don't Rewrite 与 OneChord 属于前置治理(保护旧映射 / 对齐训练目标),AGR 属于解码期治理,NAU 属于事后治理;越往后越不能改变已训练权重,但越贴近线上真实请求。
- 沿评价对象看,Don't Rewrite 与 NAU 明确反对全局均值——前者分旧/新商品报 HitRate,后者用邻域得分偏移替代整体效用;OneChord 与 AGR 仍以全局 Recall 为主,但额外把服务成本抬进主表。
- 一句话点睛:SID 治理的成熟标志,是从“重训一次就好了”转向“每次变更都可定价、可回滚、可局部验证”。
趋势判断。 生成式检索正在补上传统推荐系统早就有的工程层。
- 第一,SID 版本管理会像 embedding 版本一样成为基础设施,冻结、热启动、邻域修复会沉淀为标准操作而非论文技巧。
- 第二,服务成本将与前排精度指标并列报告,AGR 的 42.9% 成本下降与 OneChord 的 1.04–1.18× 加速说明效率已成为可发表的贡献点。
- 第三,局部指标会取代全局均值成为验收标准,NAU 的邻域视角与 Don't Rewrite 的新旧分组是同一方向的两个样本;但目前仅两篇有线上 A/B,生命周期治理的长期收益仍缺跨季度证据。
方案 | 机构 | 提升幅度 | 部署状态 | 数据规模 | 场景泛化 | 置信度 |
Don't Rewrite the SID Map | 电商搜索算法团队(未披露,天猫落地) | 旧/新商品 HitRate 约 +10%/+109%;线上 UCTCVR +0.29%、GMV +1.16% | A/B 测试中(3 周) | 67 天日志 | 特定(动态电商搜索),原则可迁移 | 高 |
OneChord | 未披露 | Recall@5 +6.30%、NDCG@5 +7.12%;快 1.04–1.18× | 仅离线 | 六个 Amazon 数据集 | 特定(Amazon 电商),框架可迁移 | 中 |
AGR | 复旦 + 快手 | Recall +6.4%–14.0%;服务成本 −42.9%;线上相关性 +0.205% | A/B 测试中 | 约 3 亿条/日日志 | 特定(快手搜索),工具化框架可迁移 | 高 |
NAU | BIFOLD/TU Berlin + UvA | 保持 95%+ 重训效用;UHF@10 14.850%→9.419% | 仅离线 | Amazon 三数据集、4 种 SID 设置 | 特定(生成式推荐遗忘) | 高 |
Section 4: 📰 Daily Digest
1. Don't Rewrite the SID Map: Topology Preservation for Generative Retrieval in Dynamic E-Commerce Search
🏷️ 来源:[🏭 工业界 | 未披露]
👥 团队:电商搜索算法团队(机构未披露,实验落地天猫 APP)
🎯 业务场景:电商搜索(动态商品目录/生成式检索)
✍️ 主要贡献人:Jianbo Zhu、Xing Fang、Xiaopeng Chu
🏛️ 代表组:未披露
⭐ 评分:⭐⭐⭐⭐ (4/5)
🎯 推荐理由:首次系统量化 SID 映射刷新对生成式检索的损伤,并给出可直接部署的“拓扑保持”原则。
📝 摘要:论文聚焦动态电商搜索中 SID 映射刷新导致生成式检索解码路径失效的问题。作者在 67 天日志上把映射与训练策略解耦,比较全量重映射、阈值重映射与冻结,发现 beam 越宽越会掩盖漂移、被改写旧 SID 比例与效果严格单调负相关。固定旧 SID、插入新商品并热启动后,旧/新商品 HitRate 约升 10%/109%;天猫三周 A/B 的 UCTCVR +0.29%、GMV +1.16%。结论是拓扑保持优于事后重训。
🔬 实验评估:
- 📈 提升幅度:映射更新在 beam=1 时 HitRate 下降 41.78–62.05%,beam=1000 时仅降 8.33–10.85%;冻结旧 SID 并热启动使旧/新商品 HitRate 约 +10%/+109%;线上 UCTCVR +0.29%、GMV +1.16%
- 🚀 部署状态:⚠️ A/B 测试中
- ⏱️ AB 周期:3 周(天猫 APP)
- 📊 数据规模:67 天日志(30 天训练 + 30 天第一周期 + 7 天第二周期);用户/商品量未报告
- 🔄 离线-线上一致性:离线显示避免改写旧 SID 带来增益,线上 UCTCVR/GMV 正向;未报告逐指标一致性
- 🎯 场景泛化性:⚠️ 特定场景(动态电商搜索 SID;原则可迁移)
- 🔍 业内对标:对照 Full-Re、阈值重映射、Frozen 及重训/热启动;增量在 SID 语义漂移量化、beam 遮蔽效应与拓扑保持原则
- 🛡️ 置信度:高(67 天工业日志 + 三周线上 A/B;机构未披露)
2. MAPS: A Multi-Agent Personalized Script-Driven Video Advertising System Enhanced by Reinforcement Learning
🏷️ 来源:[🤝 产学合作 | Beihang University、Kuaishou Technology]
👥 团队:快手广告算法团队 + 北航多智能体/生成式广告研究
🎯 业务场景:视频广告创意生成
✍️ 主要贡献人:Zhongyu Wang、Chen Zuo、Qingxuan Sun
🏛️ 代表组:未披露(快手广告算法团队)
⭐ 评分:⭐⭐⭐⭐ (4/5)
🎯 推荐理由:把广告创意从固定素材库检索推进到多智能体闭环生成,并有快手线上收入指标支撑。
📝 摘要:MAPS 把视频广告创意从固定素材库检索转为连续空间生成:Profile、Scripter、Director、Reflector 四智能体闭环,Scripter 用 SFT 冷启动加 GRPO,以结构、个性化、商品对齐三类奖励优化,并按在线反馈做最小修订。离线在 PCG-Bench/PCI-Bench 的 250 个用户-商品对、18 个商品库上全面领先;快手线上相对 DLRM 的 CTR/CVR/ARPU 提升 4.88%/4.01%/12.89%,相对 GRM 提升 2.87%/2.74%/9.85%。
🔬 实验评估:
- 📈 提升幅度:PCG-Bench 个性化 7.32、商品对齐 5.35、多样性 7.30;PCI-Bench 个性化 8.96、商品对齐 8.73、集成质量 9.87;线上相对 DLRM CTR +4.88%、CVR +4.01%、ARPU +12.89%,相对 GRM +2.87%/+2.74%/+9.85%
- 🚀 部署状态:⚠️ A/B 测试中
- ⏱️ AB 周期:未报告
- 📊 数据规模:离线两基准各 50 用户×5 商品=250 个用户-商品对、18 个商品库;线上流量规模未报告
- 🔄 离线-线上一致性:离线全指标领先,线上 CTR/CVR/ARPU 同向为正;未报告统计一致性检验
- 🎯 场景泛化性:⚠️ 特定场景(视频广告创意生成)
- 🔍 业内对标:对照 DLRM、GRM 与检索式创意方案;增量在连续创意生成、多智能体反思闭环与 GRPO 优化
- 🛡️ 置信度:中(线上指标明确,但 A/B 周期、流量规模与具体团队未报告)
3. OneChord: Distill What You Rank, Recommend in One Pass
🏷️ 来源:[🏭 工业界 | 未披露]
👥 团队:语义 ID 生成式推荐团队(机构未披露)
🎯 业务场景:通用推荐/电商生成式推荐
✍️ 主要贡献人:Zesheng Li、Chengchang Pan、Honggang Qi
🏛️ 代表组:未披露
⭐ 评分:⭐⭐⭐½ (3.5/5)
🎯 推荐理由:抓住“训练目标应与服务排序分布一致”这一关键问题,并用单次并行解码兼顾效果与延迟。
📝 摘要:论文提出“distill what you rank”:让下一项监督、精炼蒸馏与推理共享同一个按全目录归一化的可学习融合分布,把 code 概率与商品相似度在服务端统一排序;共享编码器与并行解码器一次前向完成推荐。六个 Amazon 数据集上 Recall@5/NDCG@5 平均提升 6.30%/7.12%,全测试集生成 0.23–1.24 秒,较快基线快 1.04–1.18×;长历史与中频商品增益更大。结论是训练目标对齐真实服务分布可兼顾精度与效率。
🔬 实验评估:
- 📈 提升幅度:Recall@5 平均 +6.30%、NDCG@5 平均 +7.12%,Beauty 的 NDCG@5 +9.96%;生成速度快 1.04–1.18×
- 🚀 部署状态:❌ 仅离线验证(信号提示在线实验,但提炼分析未报告线上指标)
- ⏱️ AB 周期:未报告
- 📊 数据规模:六个 Amazon 数据集(Sports/Beauty/Toys 2014;Scientific/Instruments/Games 2023);用户/商品规模未报告
- 🔄 离线-线上一致性:仅离线;线上状态仅有信号提示,无法评估一致性
- 🎯 场景泛化性:⚠️ 特定场景(Amazon 电商语义 ID;框架可迁移)
- 🔍 业内对标:对照语义 ID 生成式推荐基线;增量在服务分布蒸馏、T²KL 排名一致性与目录归一化融合
- 🛡️ 置信度:中(六数据集 SOTA 与效率数据充分,但无线上结果、机构未披露)
4. Decision4Rec: A Jev-Inspired Framework of Decision Models on Knowledge and Active Graphs for Multi-Agent Recommender Systems
🏷️ 来源:[🎓 学术界 | Università degli studi di Bari Aldo Moro、Otto-von-Guericke University、Leibniz Institute for Educational Media]
👥 团队:Università di Bari 的 Polignano/Lops/Semeraro 推荐系统团队,联合 Otto-von-Guericke University
🎯 业务场景:通用推荐(LLM 多智能体重排)
✍️ 主要贡献人:Marco Polignano、Het Darshan Mehta、Pasquale Lops
🏛️ 代表组:Polignano/Lops/Semeraro 团队(具体研究组未披露)
⭐ 评分:⭐⭐⭐⭐ (4/5)
🎯 推荐理由:用严谨消融说明“决策模型不是即插即用”,关键在场景行为语句与真实选择训练。
📝 摘要:Decision4Rec 把决策模型做成可替换插槽,用知识图谱生成场景行为语句,多智能体候选池保留完整召回列表,再由小型残差排序器纠序;决策模型以类型化选择题读取候选、语句与来源智能体,经 Luce 模型转排序。未经适配的决策模型增益接近随机,而“场景语句+真实选择训练”才有效。三个稀疏 Amazon 目录较最强基线高 25–36%,MovieLens-1M 增益 5–7%,0.8B 模型在 15 个设置中 11 个胜过 Jev。
🔬 实验评估:
- 📈 提升幅度:三个稀疏 Amazon 目录 NDCG@10 较最强训练基线 +25–36%;27B 在四域中三个较 0.8B 再高 5–6%;MovieLens-1M +5–7%;仅知识图谱候选达序列模型 NDCG@10 的 81–92%
- 🚀 部署状态:❌ 仅离线验证
- ⏱️ AB 周期:未报告
- 📊 数据规模:Video Games、Musical Instruments、Steam、Industrial and Scientific、MovieLens-1M;0.8B/4B/27B 模型
- 🔄 离线-线上一致性:仅离线
- 🎯 场景泛化性:✅ 通用(多域验证,决策模型可跨场景复用)
- 🔍 业内对标:对照 SASRecF、已发布 Jev、开源 Kev、KG-only 候选;增量在场景语句训练、残差纠序与候选来源信息
- 🛡️ 置信度:中(多数据集与多模型规模,但无在线结果,部分结论依赖训练细节)
5. AGR: Agentic Generative Retrieval with Tool-Augmented Search
🏷️ 来源:[🤝 产学合作 | Fudan University、Kuaishou Technology、Unaffiliated]
👥 团队:复旦大学 + 快手搜索/生成式检索团队
🎯 业务场景:短视频搜索(Kuaishou 搜索)
✍️ 主要贡献人:Ming Yang、Yaqi Yin、Zhibo Wang
🏛️ 代表组:未披露(复旦与快手搜索团队)
⭐ 评分:⭐⭐⭐⭐ (4/5)
🎯 推荐理由:把“何时注入、注入到哪层”统一进解码过程,并用服务成本与线上 A/B 证明工业可行性。
📝 摘要:AGR 把意图、位置、新鲜度与 GSU 行为序列等异构特征封装为工具,让模型在解码中按需调用,并用 ρ_i 选择最有信息量的 SID 注入深度;工具令牌作触发器,观察令牌独立位置编码注入,训练采用 SID 预训练加工具增强微调。Kuaishou 搜索约 3 亿条/日日志及 Qilin、JDSearch、KuaiSAR 上全面最优,相对 TIGER 的 Recall 提升 6.4%–14.0%;服务成本较拼接 400 个 GSU 令牌降 42.9%,线上相关性 +0.205%。
🔬 实验评估:
- 📈 提升幅度:相对 TIGER Recall +6.4%–14.0%、MRR +5.2%–19.7%;Industry Recall@50 0.3264;训练/服务成本较拼接 400 个 GSU 令牌降 81.8%/42.9%;线上相关性 +0.205%、查询改写率 −0.690%、搜索渗透率 +0.060%
- 🚀 部署状态:⚠️ A/B 测试中
- ⏱️ AB 周期:未报告(仅给测试日 6/23)
- 📊 数据规模:Kuaishou 搜索约 3 亿条/日,6/14–20 预训练、6/21–22 二阶段、6/23 测试;另含 Qilin、JDSearch、KuaiSAR
- 🔄 离线-线上一致性:离线全面最优,线上相关性/改写率/渗透率均为正;在线增益较小,未报告离线-线上相关性
- 🎯 场景泛化性:⚠️ 特定场景(Kuaishou 搜索;工具化框架可迁移)
- 🔍 业内对标:对照 TIGER、静态特征注入、查询门控、固定位置注入、400 个 GSU 令牌拼接;增量在工具调用与动态 SID 层级注入
- 🛡️ 置信度:高(约 3 亿/日工业日志 + 线上 A/B;A/B 周期未报告)
6. SafeWall: A Risk-Aware Job Walltime Recommendation for HPC Scheduling
🔗 原文:https://arxiv.org/abs/2610.26577
🏷️ 来源:🤝 产学合作 | Argonne National Laboratory & University of Illinois Chicago(据 ALCF Theta 与作者背景推断)
👥 团队:HPC 系统与调度研究组(Zhiling Lan 团队)
🎯 业务场景:HPC 作业调度 / 集群资源管理
✍️ 主要贡献人:Kanglin Xu, Michael Papka, Zhiling Lan
🏛️ 代表组:UIC Zhiling Lan HPC 研究组
⭐ 评分:⭐⭐⭐⭐ (4/5)
🎯 推荐理由:把“预测精度”与“推荐安全”解耦,模型无关的风险缓冲层可直接叠加到现有 walltime 预测器上。
📝 摘要:针对 HPC 作业 walltime 推荐中“高精度不等于安全”的核心矛盾,作者指出低估会导致作业被提前终止,而对称损失指标无法反映这种非对称代价。SafeWall 将运行时估计与风险控制解耦:在任意基础预测器(XGBoost 或 Quantile-GBR)之上,用训练残差的正分位数构造非负安全缓冲,并按用户历史以统计收缩方式个性化校准,冷启动回退到用户提交值。在 Theta 的 54 万作业及四条公开 trace 上,XGBoost 低估率从 47.85% 降至 4.31%,同时保持 RMSE 与 MAE 竞争力。
🔬 实验评估:
- 📈 提升幅度:Theta 上 XGBoost 低估率 47.85%→4.31%(Accuracy 90.27%);Quantile-GBR 5.56%→3.46%
- 🚀 部署状态:❌ 仅离线验证
- ⏱️ AB 周期:未报告
- 📊 数据规模:Theta 540,503 作业 / 1,827 用户 / 134.2 亿核时 + 4 条公开 trace
- 🔄 离线-线上一致性:仅离线(trace 回放)
- 🎯 场景泛化性:⚠️ 特定场景(HPC),但跨 5 套系统验证
- 🔍 业内对标:对比 Oztop 等复现基线 UR=3.06% 但 RMSE 18,505s、MAE 14,733s,SafeWall 兼顾低低估率与低误差
- 🛡️ 置信度:高 + 多系统大规模 trace、指标完整、含用户偏差持续性分析
7. Neighborhood-Aware Unlearning for Generative Recommendation
🔗 原文:https://arxiv.org/abs/2610.27232
🏷️ 来源:🎓 学术界 | BIFOLD & TU Berlin / University of Amsterdam
👥 团队:BIFOLD 数据管理组(Schelter)+ UvA IRLab(de Rijke)
🎯 业务场景:生成式推荐 / 隐私合规遗忘
✍️ 主要贡献人:Pierre Lubitzsch, Yubao Tang, Maarten de Rijke
🏛️ 代表组:UvA IRLab、BIFOLD
⭐ 评分:⭐⭐⭐⭐ (4/5)
🎯 推荐理由:首次系统揭示 SID 共享导致的遗忘溢出,并给出不动架构的邻域级修复方案。
📝 摘要:论文聚焦生成式推荐的交互级遗忘:SID 令牌在语义相近物品间共享,删除某物品会溢出到其 SID 邻域,而全局指标掩盖了这种局部损伤。作者形式化垃圾注入移除与不想要物品移除两类场景,提出邻域感知遗忘 NAU,在物品级负对数似然上联合保留集修复、遗忘集梯度上升、目标分离对比项与邻域概率质量控制,并通过 λn 符号区分增强或抑制邻域概率。在 Amazon 三数据集、TIGER 骨干与四种 SID 设置下,NAU 保持 95% 以上重训效用,同时降低邻居得分偏移,运行时间比重训低约三个数量级。
🔬 实验评估:
- 📈 提升幅度:Beauty ∆retr SH 0.106%→0.081%,Toys 0.195%→0.074%;UHF@10 14.850%→9.419%,效用 95.5%
- 🚀 部署状态:❌ 仅离线验证
- ⏱️ AB 周期:未报告
- 📊 数据规模:Amazon Beauty/Sports/Toys 三数据集,TIGER 骨干,4 种 SID/分词设置
- 🔄 离线-线上一致性:仅离线
- 🎯 场景泛化性:⚠️ 特定场景(生成式推荐遗忘)
- 🔍 业内对标:对比 Forget+Repair 与全量重训,遗忘更彻底且耗时低约三个数量级
- 🛡️ 置信度:高 + 多数据集多分词设置、指标完整、含效率对比
8. Cross-Pollination Retrieval: Finding Transferable Ideas Across Fields in Scientific Literature
🔗 原文:https://arxiv.org/abs/2610.25678
🏷️ 来源:🤝 产学合作 | KAIST / NAVER AI Lab / University of Tübingen
👥 团队:NAVER AI Lab(Sangdoo Yun)+ KAIST AI(Seong Joon Oh)
🎯 业务场景:学术文献检索 / 跨领域类比检索
✍️ 主要贡献人:Seokwon Jung, Yerang Kim, Yejin Kim
🏛️ 代表组:NAVER AI Lab、KAIST AI
⭐ 评分:⭐⭐⭐⭐ (4/5)
🎯 推荐理由:指出检索器只会“主题相似”的结构性缺陷,用一套新数据集与标准对比微调把跨领域召回翻倍。
📝 摘要:论文提出交叉授粉检索:给定研究问题,找回来自其他领域、思想可迁移解决问题的论文。作者通过跨主题引用挖掘构造正例,用 LLM 判定结构类比与贡献可迁移性,并生成只描述问题的查询;再以 E5、SPLADE-v3、SciNCL 池化和 LLM 判定的同主题硬负例构建 CPR-Dataset(CPR-eval 1,300 查询/26 领域,CPR-train 10,573 对)。标准 InfoNCE 微调即可让 Recall@10 从现有最佳 0.26 提升到 0.70,并在 AnaloBench、BRIGHT 上显著增益,说明检索器能学会超越主题相似性的相关性。
🔬 实验评估:
- 📈 提升幅度:CPR-eval Recall@10 最佳现有 0.26 → 微调 0.70;AnaloBench nDCG@10 最多 +33%,BRIGHT 最多 +70%
- 🚀 部署状态:❌ 仅离线验证
- ⏱️ AB 周期:未报告
- 📊 数据规模:CPR-eval 1,300 查询/26 领域,CPR-train 10,573 对;评测 11 个检索器 + LLM 重排
- 🔄 离线-线上一致性:仅离线
- 🎯 场景泛化性:✅ 通用(跨领域、类比与推理密集型检索)
- 🔍 业内对标:同量级 MS MARCO/ReasonIR/SPECTER 训练最多仅 0.13,凸显任务特异性训练信号的关键性
- 🛡️ 置信度:高 + 数据集构建严谨、基线覆盖广、含留出领域与外部基准验证
9. Large-Scale Biomedical RAG: Corpus Scaling, Document Representation, and Efficiency Trade-offs
🔗 原文:https://arxiv.org/abs/2610.26339
🏷️ 来源:🎓 学术界 | 未披露
👥 团队:未披露
🎯 业务场景:生物医学 RAG / 医疗问答
✍️ 主要贡献人:Adrián Sánchez-Freire, Gonzalo Pérez-Gómez, Aitziber Atutxa
🏛️ 代表组:未披露
⭐ 评分:⭐⭐⭐⭐ (4/5)
🎯 推荐理由:少见的把“语料规模”当作显式变量做受控实验,并给出表示与存储效率的量化权衡。
📝 摘要:论文对生物医学 RAG 做受控大规模评估,联合考察语料规模、文档表示与重排对效果和效率的影响。作者提出在保留金标文档前提下逐步注入非金标文档的扩展协议,区分源文档规模与索引单元规模,并比较摘要、扁平全文分块和 TreeRAG 层次化三种表示,检索端覆盖 BM25、BGE、Qwen3-Embedding,生成端覆盖 Gemma-3、MedGemma、Qwen3.5。PubMed 扩展至约 430 万文档、1.174 亿索引单元后,RAG 在留出测试集提升 10.2–30.3 个百分点;层次化表示在多数比较中不劣于扁平全文,且索引单元少 67%、存储少 44–56%。
🔬 实验评估:
- 📈 提升幅度:外部基准平均最多 +9.6pp(3/4 配置),留出测试集 +10.2–30.3pp;索引单元 -67%、存储 -44–56%
- 🚀 部署状态:❌ 仅离线验证
- ⏱️ AB 周期:未报告
- 📊 数据规模:PubMed ~430 万源文档、1.174 亿索引单元,MIRIAD 受控语料 + 5 个外部基准
- 🔄 离线-线上一致性:仅离线
- 🎯 场景泛化性:⚠️ 特定场景(生物医学)
- 🔍 业内对标:相较以往小语料结论,证明规模增长会改变设计取舍,并系统量化表示-效率权衡
- 🛡️ 置信度:中 + 规模与基准充分,但机构/代码细节未披露
10. Next Best Action: Causal Constrained Offline RL for Business Action Targeting
🔗 原文:https://arxiv.org/abs/2610.26817
🏷️ 来源:🏭 工业界 | 未披露(网约车平台)
👥 团队:未披露
🎯 业务场景:营销优惠券 targeting / 用户增长
✍️ 主要贡献人:Surya Ramachandiran, Yiming Li, Juan Mancilla-Caceres
🏛️ 代表组:未披露
⭐ 评分:⭐⭐⭐ (3/5)
🎯 推荐理由:把因果离策略校正、CMDP 与业务约束放进同一个 LP,给出可审计的影子价格,工业落地路径清晰。
📝 摘要:论文将 Next Best Action 形式化为约束马尔可夫决策过程,把因果离策略校正嵌入 CMDP 的线性规划求解,统一长期价值、业务约束与因果可信性。方法用多项逻辑回归估计行为策略,以自归一化逆倾向权重校正转移与奖励,在状态-动作占用测度上构建对偶 LP,覆盖预算、队列、曝光上限、竞争动作、资格与公平六类约束,并由对偶变量给出影子价格。基于网约车平台 68 周数据(52 周训练、16 周留出)的离线评估显示,最优策略估计客户 LTV 比行为策略高 19%、比短视策略高 8%,但尚待在线 A/B 验证。
🔬 实验评估:
- 📈 提升幅度:估计客户 LTV 比行为策略 +19%、比短视策略 +8%
- 🚀 部署状态:❌ 仅离线验证(基于模型的 OPE)
- ⏱️ AB 周期:未报告(论文明确仍需在线 A/B)
- 📊 数据规模:68 周历史(52 训练/16 留出)、数百万活跃用户、8 个 RFM 状态、二元动作
- 🔄 离线-线上一致性:仅离线
- 🎯 场景泛化性:⚠️ 特定场景(离散状态 + 二元动作)
- 🔍 业内对标:作者称首个统一因果离策略校正与约束 RL 的工业 targeting 框架,约束可验证性优于常规 RL
- 🛡️ 置信度:中 + 数据规模真实但仅离线 OPE、无线上验证、状态动作空间受限
11. The Geometry of Agent Memory: Forecasting Retrieval-Bound Memory Failures, and Characterizing Its Limits
🔗 原文:https://arxiv.org/abs/2610.26433
🏷️ 来源:🏭 工业界 | 机构未披露(推断)
👥 团队:Agent Memory 几何诊断团队(机构未披露)
🎯 业务场景:通用(Agent 长期记忆/对话式检索)
✍️ 主要贡献人:Iliya Zhechev, Radoslav Ralev, Chris Coleman
🏛️ 代表组:未披露
⭐ 评分:⭐⭐⭐ (3/5)
🎯 推荐理由:关注 Agent 记忆评测的人值得看:它用严格统计拆穿了“嵌入邻近度等于答案正确”的直觉,避免把检索相似度误当成可靠性诊断。
📝 摘要:论文将对话轮次 T、记忆文本 M 与查询 q 映射到统一嵌入空间,构造 25 维几何特征,用逻辑回归在生成前预测答案正确性。LongMemEval-small 的 2,367 个问题–系统对上 AUROC 仅 0.640,低于问题难度基线 0.655;控制难度与系统身份后 Δ=+0.002。single-session-assistant 虽达 0.841,但系统身份单独就有 0.826。结论是嵌入邻近度能反映实现差异,却不足以验证事实覆盖或定位记忆失败,暂不能作为部署级诊断。
🔬 实验评估:
- 📈 提升幅度:未报告部署提升;汇总 AUROC 0.640 [0.615, 0.664],低于难度基线 0.655;控制难度与系统身份后 Δ=+0.002
- 🚀 部署状态:❌ 仅离线验证
- ⏱️ AB 周期:未报告
- 📊 数据规模:LongMemEval-small 2,367 个问题–系统对(500 问题);LoCoMo 补充单跳 AUROC 0.603
- 🔄 离线-线上一致性:仅离线;无线上对照
- 🎯 场景泛化性:⚠️ 特定场景(Agent 记忆/对话 QA;覆盖 4 种记忆实现)
- 🔍 业内对标:LongMemEval 记忆评测与问题难度基线;增量是跨 4 种稠密/混合记忆实现量化几何信号,并报告控制系统身份后的近零增量
- 🛡️ 置信度:中;分组 5 折 CV、CI 与特征消融完整,但主基准仅 500 问题且机构未披露
12. Babbar26 main x genre
🔗 原文:https://arxiv.org/abs/2610.26220
🏷️ 来源:🤝 产学合作 | Babbar 与学术机构(具体未披露,推断)
👥 团队:Babbar26 网页语料构建与标注团队(机构未披露)
🎯 业务场景:通用(网页正文抽取/体裁分类)
✍️ 主要贡献人:Bournonville Aurélien, Clotilde Levy, Thomas Largillier
🏛️ 代表组:未披露
⭐ 评分:⭐⭐⭐ (3/5)
🎯 推荐理由:做网页正文抽取或结构感知建模可看:它提供了体裁与正文同页标注的多语言语料,并给出与 KI-04 的结构差异基线。
📝 摘要:论文发布多语言数据集 Babbar26,首次在同一批网页上联合标注五类主要体裁与 DOM 锚定的 main/noise 区域。正文统计 1111 页、1006 个域名、5 种语言;体裁以 List 324、Article 308、Landing 265 为主。标注遵循结构优先,体裁精确一致率由 84.5% 升至 97.1%,区域 κ 由 0.803 升至 0.84。相较 KI-04,中位 DOM 元素 712 vs 310、可读文本 6,187 vs 3,353 字符,结构显著更丰富。
🔬 实验评估:
- 📈 提升幅度:未报告模型提升;双标注体裁一致率 84.5%→97.1%,区域 κ 0.803→0.84
- 🚀 部署状态:❌ 仅离线验证(数据集发布)
- ⏱️ AB 周期:未报告
- 📊 数据规模:1111 页、1006 域名、5 种语言;体裁 List 324/Article 308/Landing 265/Item 147/Interaction 60
- 🔄 离线-线上一致性:仅离线;无线上对照
- 🎯 场景泛化性:✅ 通用(多语言网页,5 语种)
- 🔍 业内对标:KI-04(1,239 页);本文语料中位 DOM 712 vs 310、深度 18 vs 13、可读文本 6,187 vs 3,353,增量是体裁与正文同页联合标注
- 🛡️ 置信度:中;双标注一致性高、与 KI-04 对比清晰,但语料仅 1111 页,贡献列表 1133/1026 与正文 1111/1006 不一致
13. Preference Is Not Position: Evaluating Reranking on NevIR in Fixed Hybrid Candidate Pools
🔗 原文:https://arxiv.org/abs/2610.26260
🏷️ 来源:🏭 工业界 | 机构未披露(推断)
👥 团队:NevIR 混合检索重排评测团队(机构未披露)
🎯 业务场景:通用(搜索/推荐候选重排)
✍️ 主要贡献人:Yuning Bian, Lele Xu, Yifan Yuan
🏛️ 代表组:未披露
⭐ 评分:⭐⭐⭐½ (3.5/5)
🎯 推荐理由:做搜索重排评测必看:它揭示偏好提升可能伴随位置崩塌,并给出偏好、位置、成本三者并报的实证框架。
📝 摘要:论文在 NevIR 固定混合候选池内拆分“成对偏好”与“位置”两项指标,比较 LambdaMART、BGE 与 Qwen3-14B 逐点重排。融合基线严格偏好 52.30%、MRR 0.5764;E0 将偏好提至 56.62%,MRR 却跌至 0.3055,暴露偏好与位置矛盾。Qwen top-20 将严格偏好提至 77.45%(+25.15 点)、MRR 0.7509、preferred@1 59.21%;BGE 为 69.77%、MRR 0.7404。作者主张偏好、位置与成本联合报告。
🔬 实验评估:
- 📈 提升幅度:Qwen top-20 严格偏好 77.45%(+25.15 点,95% CI [23.54, 26.78])、MRR 0.7509;BGE 69.77%、MRR 0.7404;融合基线 52.30%/0.5764
- 🚀 部署状态:❌ 仅离线验证
- ⏱️ AB 周期:未报告
- 📊 数据规模:2,736 个查询方向、1,363 个完整对、699 个 source group;固定 dense/sparse/BM25 候选池
- 🔄 离线-线上一致性:仅离线;无线上对照
- 🎯 场景泛化性:⚠️ 特定场景(NevIR 固定混合候选池)
- 🔍 业内对标:融合排序、LambdaMART、BGE reranker、Qwen3-14B 逐点重排;增量是偏好/位置/成本联合评测,等分分支占 26.97% 方向却含 61.43% 残余失败
- 🛡️ 置信度:中;2,736 查询方向、CI 与成本测量完整,但仅单一 NevIR 基准、无线上验证
14. Deep Search in Real-World Web Environments
🔗 原文:https://arxiv.org/abs/2610.30181
🏷️ 来源:🏭 工业界 | 机构未披露(推断)
👥 团队:OpenDS-World 基准构建与智能体评测团队(机构未披露)
🎯 业务场景:通用(开放 Web 深度搜索 Agent)
✍️ 主要贡献人:Xiaomin Yu, Hongliang Chen, Zhe Huang
🏛️ 代表组:未披露
⭐ 评分:⭐⭐⭐½ (3.5/5)
🎯 推荐理由:关注 Web Agent/Deep Search 的人可看:它用真实多模态证据链和人类基线,量化了当前智能体在开放 Web 的上限。
📝 摘要:论文提出 OpenDS 任务与 OpenDS-World 基准,要求智能体从含真实信息的视频出发,在开放 Web 跨来源、多模态、多格式地串联证据并回答唯一可验证事实。基准含 200 个任务、8 个领域、787 条证据链;96.0% 任务涉及至少两种格式,67.0% 需链接导航。50 名人类解题者 1,000 次尝试准确率仅 21.10%,42.5% 任务无人解出;最佳模型 GPT-6 Astra 为 39.0%,更多工具调用与更长执行时间并不必然提升准确率。
🔬 实验评估:
- 📈 提升幅度:未报告方法提升;人类 21.10%,最佳模型 GPT-6 Astra 39.0%(78/200)
- 🚀 部署状态:❌ 仅离线验证(基准发布)
- ⏱️ AB 周期:未报告
- 📊 数据规模:200 任务、8 领域、787 条证据链(平均 3.94/任务)、4 模态、42 格式;人类 50 人/1,000 次尝试
- 🔄 离线-线上一致性:仅离线;无线上对照
- 🎯 场景泛化性:⚠️ 特定场景(开放 Web 深度搜索;8 领域)
- 🔍 业内对标:既有 Deep Search 评测;增量是真实 Web 多模态证据链、交互式访问与人类基线,揭示工具调用/时长与准确率不必然正相关
- 🛡️ 置信度:中;人工核验与 12 模型评测扎实,但仅 200 任务、全文分析截断、机构未披露
15. SweepANN: A GPU-Accelerated Large-K Approximate Vector Search for Drug Discovery
🔗 原文:https://arxiv.org/abs/2610.27306
🏷️ 来源:🎓 学术界 | Arizona State University(另有 Independent Researcher)
👥 团队:ASU 数据系统与存储团队(Zhichao Cao 组)
🎯 业务场景:药物发现(虚拟筛选/大规模向量检索)
✍️ 主要贡献人:Zhenyu Zhang, Qi Lin, Nan Zhang
🏛️ 代表组:ASU 数据系统与存储研究组(Zhichao Cao 组,推断)
⭐ 评分:⭐⭐⭐⭐ (4/5)
🎯 推荐理由:做大规模向量检索/GPU 系统的人可看:它把 large-K 瓶颈定位到答案维护,并给出可落地的压缩全量扫描方案。
📝 摘要:论文面向 DrugCLIP 式虚拟筛选的 large-K 检索:500M 分子、每口袋 K=500K、需 ≥99% 平均召回。作者指出瓶颈在维护每个 query 的 K 个答案而非扫描行,于是放弃 ANN 索引,将 INT8 压缩库分片常驻 GPU,用 fused Triton kernel 全量打分,并设四种答案维护计划。4 块 RTX PRO 6000 上 500M 库约 61 秒完成,相对 FP32 召回 99.6%;达标 GPU IVF 慢 8.2–24×,CAGRA 在 25M 行 K≥100K 全部未达标。
🔬 实验评估:
- 📈 提升幅度:500M/K=500K 约 61 秒;相对 exact FP32 召回 99.6%/99.63%;达标 GPU IVF 慢 8.2–24×;DEEP1B K=500K 省 3.2× 时间、5.3× 峰值内存,召回损失 0.7 点
- 🚀 部署状态:❌ 仅离线验证(研究原型)
- ⏱️ AB 周期:未报告
- 📊 数据规模:500M 行、D=768、26,562 口袋、K=500K;另 DEEP1B 1B、Cohere 100M
- 🔄 离线-线上一致性:仅离线;无线上对照
- 🎯 场景泛化性:⚠️ 特定场景(药物发现 large-K;向量检索方法可迁移)
- 🔍 业内对标:GPU IVF、CAGRA、exact FP32;增量是证明 large-K 下索引优势消失,改以压缩全量扫描+答案维护计划达成 99% 召回
- 🛡️ 置信度:高;500M–1B 多规模、GPU IVF/CAGRA/FP32 多基线,召回与成本指标明确;但无生产部署与独立复现
16. Which Model for Which Role? Cost-Efficient Pareto Recommendation for LLM Agentic Workflows
🔗 原文:https://arxiv.org/abs/2610.26676
🏷️ 来源:[🤝 产学合作 | Columbia University、Cornell University、Microsoft、New York University、Shanghai University of Finance and Economics]
👥 团队:Columbia 数据库与系统方向(Eugene Wu、Kostis Kaffes 组)与 Microsoft 等跨机构合作
🎯 业务场景:LLM Agent 工作流部署与模型选型
✍️ 主要贡献人:Qian Xie、Wenyue Hua、Yueli He
🏛️ 代表组:Columbia 数据与系统研究组(推断)
⭐ 评分:⭐⭐⭐⭐ (4/5)
🎯 推荐理由:把“角色—模型”分配做成可随时停止的多目标 Pareto 搜索,直面评估成本与部署成本耦合这一被忽视的工程约束。
📝 摘要:论文研究多角色 LLM agent workflow 中“哪个角色配哪个模型”的分配问题:质量、部署成本与延迟需权衡,穷举评估成本随角色数乘性增长,且评估成本与部署成本耦合。作者提出 CC-GITTINS,将单目标 cost-aware Gittins 搜索扩展为多目标;质量与成本 controller 共享高斯后验、各自维护 Gittins index,并以 LCB/UCB 做 Pareto 支配判断,实现无需预设权衡或预算的 anytime 推荐。在 8 个质量—成本矩阵、最多 1,681 个候选上离线 replay,约 10%–30% 穷举成本即可恢复可观前沿;BIRD Dev 在 90% 成本下 recall 88.75%、precision 100%。结论是策略可随时停止,但完整前沿恢复无保证,controller 设计仍偏经验性。
🔬 实验评估:
- 📈 提升幅度:约 10% 穷举成本恢复相当比例真实前沿;BIRD Dev 90% 成本下 recall 88.75%、precision 100%;Stack Overflow 10% 成本 precision 0.97、recall 0.98
- 🚀 部署状态:❌ 仅离线验证(offline replay)
- ⏱️ AB 周期:未报告
- 📊 数据规模:8 个矩阵;HotpotQA、MathQA 各 100 分配×200 题;6 个 SCOPE 派生 3–5 角色实例;最多 1,681 候选;20 个 seed
- 🔄 离线-线上一致性:仅离线,基于响应矩阵 replay,未做线上验证
- 🎯 场景泛化性:⚠️ 特定场景(多角色 agent workflow),但覆盖多领域矩阵
- 🔍 业内对标:对比 EGE-SH、APE-k、qNEHVI、random questions/configurations;增量在成本耦合建模与 anytime 多目标前沿
- 🛡️ 置信度:中高(实验矩阵与基线较完整、多 seed;但无线上部署,前沿覆盖无保证)
17. SNO-PI: Label-Scarce SNOMED CT Entity Linking with Pre-trained Encoders and Curated Terminology Knowledge
🔗 原文:https://arxiv.org/abs/2610.26425
🏷️ 来源:[🎓 学术界 | 未披露]
👥 团队:未披露
🎯 业务场景:临床文本实体链接 / 医疗 NLP
✍️ 主要贡献人:Piyawoot Songsiritat
🏛️ 代表组:未披露
⭐ 评分:⭐⭐⭐✨ (3.5/5)
🎯 推荐理由:在仅约 3% 概念有标注的极端低资源场景下拿到 SNOMED 官方榜第一,且把“数据而非架构是瓶颈”讲得很透。
📝 摘要:论文面向 SNOMED CT 临床实体链接的 zero/few-shot 难题:约 219,000 个可链接概念中,272 篇标注出院小结仅覆盖 6,595 个(约 3%),三分之一只出现一次。SNO-PI 采用召回优先、每阶段注入 curated terminology 的 pipeline:BERT-CRF、术语精确匹配与训练 span 联合提议,SapBERT 检索 top-10,listwise 重排并给出 NONE 选项;训练走临床 MLM→SNOMED 预训练→5-fold 候选微调,集成 6 个 cross-encoder 与 Qwen3-8B LoRA 成员。官方 benchmark 上以 0.5387 macro / 0.6629 weighted 排名第一,相对组织者 reference 提升 18%。Oracle 分析显示,0–2 个训练样本的概念占剩余 gap 的 58%,稀有概念定向标注仍是最有效下一步。
🔬 实验评估:
- 📈 提升幅度:macro 0.5387 vs 第二名 0.4985;relative 18%(对 reference 0.4582)
- 🚀 部署状态:❌ 仅离线验证(官方 benchmark 评测)
- ⏱️ AB 周期:未报告
- 📊 数据规模:272 篇 MIMIC-IV 出院小结、75,463 spans、6,595 概念;hidden test 约 20 篇
- 🔄 离线-线上一致性:仅离线;官方隐藏测试集提供一定泛化检验
- 🎯 场景泛化性:⚠️ 特定场景(SNOMED CT 临床实体链接)
- 🔍 业内对标:Super Dictionary / KIRIs 思路、SapBERT、BioLinkBERT;增量在分阶段预训练与 terminology-aware 重排
- 🛡️ 置信度:中(官方榜第一与充分 ablation 支撑,但标注规模与 hidden test 很小)
18. OpenSaC: A Python Library for Search as Code in Deep Research Agents
🔗 原文:https://arxiv.org/abs/2610.25779
🏷️ 来源:[🎓 学术界 | 未披露]
👥 团队:未披露(作者来自搜索与信息检索方向)
🎯 业务场景:Deep Research Agent / 通用搜索
✍️ 主要贡献人:Qi Liu、Jiaxin Mao、Fengbin Zhu
🏛️ 代表组:未披露
⭐ 评分:⭐⭐⭐✨ (3.5/5)
🎯 推荐理由:把 ReAct 式逐轮搜索改成“写程序编排检索”,用真实 coding agent 跑出 30% 级时延与成本下降,工程可复现性强。
📝 摘要:论文指出常规 deep research agent 的 ReAct 循环把大量已确定输入的中间结果反复回传模型,增加交互与上下文开销。Search as Code 让 agent 编写程序组合检索、读源、重排、模型调用与本地处理,仅返回选定观测。OpenSaC 提供开源 Python 库与配套 SaC skill:类型化可组合 SDK、同步接口桥接异步 runtime、批量部分失败保留成功项,并通过 entry points 配置 provider。实验在 BrowseComp 与 WideSearch 的配对子集上进行,使用 Codex 0.147.0 + gpt-5.6-luna、30 分钟预算。BrowseComp 准确率 82.25%→85.21%,耗时降 30.3%,tokens 降 37.8%,模型成本降 36.4%;WideSearch 行 F1 略降 0.84pp,但耗时降 29.5%。结论是 SaC 能显著降本增效,但收益随任务类型波动。
🔬 实验评估:
- 📈 提升幅度:BrowseComp +2.96pp、耗时 −30.3%、tokens −37.8%、成本 −36.4%;WideSearch −0.84pp、耗时 −29.5%、tokens −13.8%、成本 −12.6%
- 🚀 部署状态:❌ 仅离线验证(开源库 + benchmark 评测)
- ⏱️ AB 周期:未报告
- 📊 数据规模:BrowseComp 169 对、WideSearch 166 对配对任务
- 🔄 离线-线上一致性:仅离线;配对子集与失败运行计入指标,控制了一定偏差
- 🎯 场景泛化性:⚠️ 特定场景(deep research 检索任务)
- 🔍 业内对标:ReAct 式 native agent、托管 SaC SDK;增量在开源可检查程序与 provider 解耦
- 🛡️ 置信度:中(真实 agent 运行与成本指标可信,但仅两个 benchmark、单一模型配置)
19. FLMNet: Self-Ensemble Distillation from Masks to Seeds for Single-Tower CTR Prediction
🔗 原文:https://arxiv.org/abs/2610.26143
🏷️ 来源:[🎓 学术界 | 未披露]
👥 团队:未披露
🎯 业务场景:CTR 预估 / 推荐与广告排序
✍️ 主要贡献人:Yifan Wang、Yifei Du
🏛️ 代表组:未披露
⭐ 评分:⭐⭐⭐⭐ (4/5)
🎯 推荐理由:把“自集成蒸馏为何有效”推成无限掩码极限下的 Jensen 间隙正则,并给出单塔、可闭式计算、易部署的实现。
📝 摘要:论文针对 CTR 自集成蒸馏“为何有效、是否必须随机采样”不清楚的问题,推导无限掩码极限,证明该目标只正则化掩码成员间的 Jensen 间隙,普通 dropout 是乘数为 1 的特例。作者提出满足闭式矩计算条件的单塔 FLMNet:用同方差高斯替代掩码噪声并以 3 点 Gauss–Hermite 积分训练,只需 logit 均值与方差;field-local gate 只读未掩码 embedding,使均值等于无 dropout 前向、方差可闭式近似。FLMNet-KD 再以 \(L_{KD}=(\mu-\bar\mu_K)^2\) 回归 K 个种子池化 logit,把独立集成增益收进单塔。五个公开基准、十七个基线中,FLMNet-CF 与 FLMNet-KD 取得 AUC 与 Logloss 前两名;Criteo 上去掉 penalty 与 QNN-α 差距不超过 \(0.9\times10^{-4}\),训练 step time 接近 QNN-α。结论是无需采样即可获得可解释、可部署的自集成增益。
🔬 实验评估:
- 📈 提升幅度:五项基准 AUC/Logloss 前两名;Criteo 验证 AUC 差异 ≤\(0.9\times10^{-4}\)、gate 改读掩码输出下降 \(10.5\times10^{-4}\);GH3 代理误差 28% 以内
- 🚀 部署状态:❌ 仅离线验证
- ⏱️ AB 周期:未报告
- 📊 数据规模:五个公开基准(Criteo 等),具体样本量未报告
- 🔄 离线-线上一致性:仅离线;以多 seed 波动阈值判断增益显著性
- 🎯 场景泛化性:✅ 通用(CTR 预估通用框架)
- 🔍 业内对标:QNN-α、自集成蒸馏与 dropout 集成;增量在无限掩码极限解释与闭式单塔实现
- 🛡️ 置信度:中高(理论推导 + 17 基线 + 多基准一致;但无线上 A/B)
20. Multimodal Decoupling for Diversified Recommendation through Semantic and Structural Shaping
🔗 原文:https://arxiv.org/abs/2610.26024
🏷️ 来源:[🎓 学术界 | 未披露]
👥 团队:未披露
🎯 业务场景:多模态推荐 / 多样性推荐
✍️ 主要贡献人:Changran He、Jiaming Wei、Jianghong Ma
🏛️ 代表组:未披露
⭐ 评分:⭐⭐⭐✨ (3.5/5)
🎯 推荐理由:从语义解耦与结构传播两侧同时处理准确率—多样性权衡,并用奇异值谱解释双图传播为何缓解维度坍缩。
📝 摘要:论文指出多模态推荐中多模态语义常被当作 ID embedding 的辅助信号,利用不足;准确率—多样性权衡又受表示维度坍缩与优化偏差驱动。作者提出 MOSS 统一框架:用 Qwen2.5-VL-72B 将物品内容解耦为 shared、visual-specific、textual-specific 描述,Sentence-BERT 编码后由类别感知嵌入选择按方差与类别熵保留 top-\(d\) 维;交替双图传播在用户—物品图与类别调制物品图间交替,物品图边权为模态相似度与类别相似度之积;熵正则基于 top-20 物品构造用户类别分布。理论分析表明双图传播算子的归一化奇异值谱更平坦,可缓解维度坍缩。Anime 与 Game 上,相较最强多样性基线 Coverage/Entropy 分别提升 13.2%/12.8% 与 30.3%/19.2%,GM@10 提升 5.7% 与 21.1%,同时 MOSSacc 取得最佳 Recall 与 NDCG。
🔬 实验评估:
- 📈 提升幅度:Coverage +13.2%/+30.3%,Entropy +12.8%/+19.2%,GM@10 +5.7%/+21.1%(Anime/Game)
- 🚀 部署状态:❌ 仅离线验证
- ⏱️ AB 周期:未报告
- 📊 数据规模:Anime 66,870 用户、8,519 物品、7,793,920 交互;Game 195,184 玩家、10,425 游戏、2,294,883 交互
- 🔄 离线-线上一致性:仅离线
- 🎯 场景泛化性:⚠️ 特定场景(多模态多样性推荐,两个品类数据集)
- 🔍 业内对标:多模态推荐与多样性基线;增量在语义解耦 + 类别感知选择 + 交替双图 + 熵正则的统一建模
- 🛡️ 置信度:中(两数据集实验与消融较完整、有理论解释;但品类与平台覆盖有限,无线上验证)
本日报由 AI 自动生成,解读观点仅供参考。