推荐算法日报 - 2026-10-24
2026-10-24
| 2026-10-26
Words 13460Read Time≈ 34 min

推荐算法日报 - 2026-10-24

Section 1: 📊 Trend Analysis

🔥 生成式推荐的瓶颈已从“建模能力”转向“结构错配”:五篇 GR 工作不约而同地把问题定位在系统结构而非模型容量。#2 测得 beam=100 时 SID 解码占生成时间 91%,把推理成本锁定在“写标识符”上;#1 指出容器级排序与条目级成交存在粒度错配;#3 认为并行 SID 只用下一物品硬标签、缺候选分布监督;#4 则指出现有代码进化框架忽视级联管线的阶段成本与延迟收益。四篇各自切开一个环节,合起来说明 GR 的下一波收益来自“把错配的地方对齐”,而不是继续堆参数。
💡 工业验证的门槛正在收紧,线上证据成为分水岭:本批 18 篇里只有 #1(13 天线上 RPS +1.42%、已全量)与 #4(14 天 5% 流量、CTR +0.40%、p=0.019)给出长周期 A/B 与显著性检验,其余多为离线单点结果。值得注意的是 #2 虽标记已部署,却未报告线上业务指标;#3 与 #6 的线上信号同样缺乏细节。这说明“已推全”标签正在贬值,能否给出周期、流量比例与统计校正(如 #4 的 CUPED+BH)才是新的可信度标尺。
💡 “推理时干预”成为免训练增强的共同路径:#9 的 TCBSA 冻结判别器、在剪枝前注入协同势,16 个指标组合全胜;#15 的 ReMedI 冻结分子语言模型、用 Metropolis–Hastings 搜索并把轨迹自蒸馏回基座;#18 把 Thompson sampling 的逐轮优化摊销到策略网络;#2 也把繁重的 SID 生成下沉为轻量 concept 解码。四篇的共同假设是“基座已经够好,缺的是推理期的搜索与打分结构”,这与“再训一个更大的模型”形成路线分歧。

Section 2: 📋 今日速览

工业界
  • 美团(推断)提出 HGE,位置编码 Transformer 加残差塔门控融合做容器级 GTV 分解,712M 日志 XAUC 0.8158,13 天线上 RPS +1.42% 并全量部署。↗
  • 未披露团队(作者背景指向 Skoltech/AIRI)把 thinking 与 spelling 解耦,主干一次前向出 concept、轻量 KV-cached 解码器在 trie 约束下打分,MovieLens 吞吐 20,080 users/s 为教师 6.5 倍且 NDCG@10 不降反升。↗
  • 独立研究者构建 UAE GovTrust 双语诊断集,RoleRRF Hit@1 达 95.8% 优于 RRF 的 65.3%,但扰动下 168 条仅 1 条正确。↗
  • 未披露机构发布 PersonalQuery-Benchmark,6,516 条查询覆盖五类检索器与两个 LLM 排序器,发现表达变异带来可测排序波动、更强检索不必然更稳健。↗
  • Bayer 与 Roche 各建 LLM 抽取流水线复活遗留临床前报告,28 个可比字段 F1 98.8%,人工抽取由 25 分钟/研究降至 1.6 分钟。↗
产学合作
  • 腾讯 PCG 联合 PolyU/McGill 提出 TGR-EvoDAG,以 Code DAG 血缘加七智能体做代码进化,Amazon Office Hit@10 0.0869(较 APAO +24.7%),14 天 5% 流量 CTR +0.40%。↗
  • 产学团队提出免训练 TCBSA,用冻结判别器的分数边际按 prefix–token 边聚合为协同势,16 个指标组合全胜,Yelp 上 MiniOneRec 提升 8.4%–12.4%。↗
  • Vstorm 等提出 ALLMTS,以指南执行替代 LLM 自由生成分诊等级,566 个场景准确率 0.47→0.95,过度分诊率 0.44→0.02。↗
学术界
  • HKUST(推断)提出 IDM/CMM 跨物品与码空间蒸馏,用 SASRec 教师补足并行 SID 的软监督,Amazon 三集 R@10 平均 +15.39%、N@10 +8.28%。↗
  • 学术团队提出“每条边必须有原文引用”的医疗软件采购 KG 流水线,61 家厂商页面级 F1 0.81、置信度 AUC 0.887。↗
  • 学术团队在同一 Qwen 基座上受控比较 System One 与 reranker 微调,0.6B–9B 上 reranker 平均领先 5.2–28.8 个 nDCG@10 点,27B 打平。↗
  • 学术团队提出单趟 Map/Reduce 范围分区加组合启发式 top-k 分区查询,在 IMDb、DBLP 与 Subgen 上验证可扩展性与正确性(摘要未报数值)。↗
  • Mila 等提出 recommender regret 与 recommender MCTS,证明均匀采样可达最紧上界,合成树与 19 款街机游戏中多数优于 E3W/UCT。↗
  • Qingyao Ai 发表立场论文,以 M=(C,F,H) 构建 agentic memory management 框架与研究议程,无实验评估。↗
  • 学术团队提出 SkillRep,统一五类表示设计选择,SRA-Bench 官方池 R@10 92.35、MRR@10 79.21,MRR 较同尺寸最强检索器高 7.02。↗
  • UIUC 提出 ReMedI,推理时用 Metropolis–Hastings 搜索并自蒸馏回基座,Llama IND 上 SOR 0.696 对 C-MORAL 的 0.296,蒸馏仅用 500 条实例。↗
  • 上海人工智能实验室等发布 RxnExBench,3,565 条专家标注反应上 9 个 VLM 最佳仅 23.16% F1,Criterion 3 降至 8.86%。↗
  • 学术团队提出摊销 Thompson sampling 与动作流 EIG 估计,GFP 累积遗憾 0.879 优于原始 TS 的 1.313。↗

Section 3: 🎯 今日主题

生成式推荐的三重错配:粒度、监督与解码预算

问题背景。
语义 ID 生成式推荐正在从“能不能做”转向“划不划算”,但 scaling 红利被三处结构性错配消耗掉了——目标粒度、监督信号与解码预算各自与业务目标不对齐。
  • 粒度错配:容器级排序优化的是列表整体的成交总额,条目级模型优化的是单条转化,两者标签方差与稀疏度完全不同(#1)。
  • 监督错配:并行 SID 解码只拿“下一个物品”的硬标签训练,候选分布信息被丢弃,模型学不到“次优也该被压低多少”(#3)。
  • 预算错配:推理成本几乎全部耗在 beam search 逐 token 写标识符上,读历史只占小头,beam 越大浪费越严重(#2)。
  • 管线错配:级联各阶段的算力成本与下游收益没有统一记账,代码级自动进化容易优化错目标(#4)。
代表方案对比。
五篇工作分别从结构、监督、解码、管线四个切口下手,覆盖了 GR 从训练到服务的完整链路。
  • HGE(美团,推断):切口是容器-条目层级 GTV 全链路,做法是位置编码 Transformer 建模条目集、把 GTV 分解为 POI 转化概率与条目购买期望、再用残差塔与门控融合修正偏差,结果 712M 日志上 XAUC 0.8158、13 天线上 RPS +1.42% 并全量部署。
  • Thinking/Spelling 解耦(未披露,背景指向 Skoltech/AIRI):切口是 SID 解码开销,做法是主干一次前向产出紧凑 concept、轻量 KV-cached 解码器在 trie 约束下逐级打分并配教师蒸馏与 copy pointer,结果 7 个数据集 NDCG@10 不降反升、MovieLens 吞吐 20,080 users/s 达教师 6.5 倍。
  • IDM/CMM 跨空间蒸馏(HKUST,推断):切口是硬标签监督不足,做法是把 SASRec 物品级教师概率经 item-to-code 矩阵投影到码空间并逐头 KL,与硬标签损失加权渐进引入,结果 Amazon 三集 R@10 平均 +15.39%、N@10 +8.28%,且 IDM 偏召回、CMM 偏排序。
  • TGR-EvoDAG(腾讯 PCG、PolyU、McGill):切口是级联管线自动化,做法是用 Code DAG 记录血缘与执行经验、七个智能体分工完成选择到剪枝、并引入阶段成本规划与下游协同适配,结果 Amazon Office 39 轮进化后 Hit@10 0.0869(较 APAO +24.7%)、腾讯 14 天 5% 流量 CTR +0.40%。
  • TCBSA(产学):切口是 beam 不可逆剪枝,做法是冻结判别器对全目录打分、把相对 Top-R 的分数边际按共享 prefix–token 边聚合为协同势、再用置信门控在剪枝前注入路径分数,结果四数据集 16 个指标组合全部最优、Yelp 上 MiniOneRec 提升 8.4%–12.4%。
核心差异。
按“干预发生在哪一层”看,五篇可以排成一条从重到轻的谱系。
  • 改建模层(HGE、IDM/CMM):动的是模型结构与损失函数,代价最高、需要重训,但收益最稳且可解释——HGE 把层级分解写进 GTV 定义,IDM/CMM 把教师分布写进损失。
  • 改解码层(Thinking/Spelling、TCBSA):动的是推理过程,模型冻结、可插拔、上线成本低,但 TCBSA 明确依赖“有可用判别器”这一前置条件,Thinking/Spelling 则需要重训轻量解码器与 trie。
  • 改系统层(TGR-EvoDAG):动的是整条管线的搜索空间,用 LLM 智能体替代人工调参,泛化性最好但可解释性与成本控制最难。
  • 证据强度:只有 HGE 与 TGR-EvoDAG 拿到长周期线上 A/B(13 天与 14 天),解码层两篇的收益目前仍停在离线吞吐与 NDCG 上。
一句话点睛:越往下游改越便宜,越往上游改越稳;而目前最缺的恰恰是解码层优化的线上业务证据。
趋势判断。
  • 解码层降本会成为 GR 工程化的主线,但落地节奏取决于判别器或教师的可得性——这也是 #2 与 #9 都选择“复用已有模型”而非“再训一个”的原因。
  • 层级与多任务分解会持续吃掉工业界排序收益,因为粒度错配源自业务结构而非模型缺陷,不会随基座变强而消失。
  • 线上证据将取代单点离线指标成为选型分水岭,14 天以上 A/B 加显著性校正(如 #4 的 CUPED+BH)会逐步成为工业论文的最低披露标准,而“已推全”这类模糊标签的可信度会继续下降。
方案
机构
提升幅度
部署状态
数据规模
场景泛化
置信度
HGE
美团(推断)
线上 RPS +1.42%(95% CI [+0.80%, +2.05%]);离线 XAUC 0.8158、PCOC 0.9858
✅ 已推全
712M 日志、121M 用户、949K POI;测试 29M 条
⚠️ 特定场景(容器-条目层级)
高
Thinking/Spelling 解耦
未披露(Skoltech/AIRI 背景)
Toys NDCG@10 0.0352 vs 0.0300;吞吐 20,080 vs 6,113 users/s(×6.5)
✅ 已推全(业务指标未报)
7 个数据集,beam 100,3 seed,含 1.5B/3B 主干
✅ 通用(SID 检索)
中
IDM/CMM
HKUST(推断)
平均 R@10 +15.39%、N@10 +8.28%;Beauty IDM R@10 0.1094 vs 0.0940
⚠️ 在线实验(细节未报)
Amazon 2014 三域 5-core,全目录排序,3 次运行
⚠️ 仅 Amazon 三集
中
TGR-EvoDAG
腾讯 PCG、PolyU、McGill
Hit@10 0.0869(较 APAO +24.7%);线上 CTR +0.40%(p=0.019)
⚠️ A/B 中(14 天 5% 流量,已作核心引擎)
24 GPU 小时、39 轮进化;工业侧 >10M 交互、A/B >1M 用户
✅ 通用(Amazon+腾讯双场景)
高
TCBSA
产学(机构未披露)
16 个指标组合全胜;Yelp 上 MiniOneRec +8.4%–12.4%;新兴兴趣 NDCG@10 最高 +103.29%
❌ 仅离线
Amazon 2023 三域 + Yelp;三组生成器—判别器配对
✅ 通用(需可用判别器)
高

Section 4: 📰 Daily Digest

1. Hierarchical GTV Estimation: Bridging the Gap between Container-Level Ranking and Item-Level Conversion

🔗 原文:https://arxiv.org/abs/2610.32420
🏷️ 来源:🏭 工业界 | 美团(据实验数据与全量部署推断,作者机构未披露)
👥 团队:美团广告/本地生活排序团队(据 POI 场景推断)
🎯 业务场景:本地生活/直播电商的容器级排序与条目转化预估
✍️ 主要贡献人:Zerong Lan, Fan Zhang, Chuang Chen
🏛️ 代表组:未披露(实验指向美团广告排序团队)
⭐ 评分:⭐⭐⭐⭐⭐ (5/5)
🎯 推荐理由:少见的容器-条目层级 GTV 全链路工作,离线校准与 13 天线上收益俱佳,适合作为工业落地范本。
📝 摘要:论文聚焦容器级排序与条目级成交的粒度错配,将容器 GTV 估计形式化为层级预测问题,并归纳高方差标签、稀疏转化与动态条目集三大挑战。HGE 以位置编码 Transformer 建模条目集,将 GTV 分解为 POI 转化概率与条目购买期望,再用残差塔和门控融合修正偏差。美团 712M 日志上 XAUC 0.8158、PCOC 0.9858,13 天线上 RPS +1.42%,并已全量部署。
🔬 实验评估:
  • 📈 提升幅度:线上 RPS +1.42%(95% CI [+0.80%, +2.05%]),摘要报告 XAUC +0.63%;离线 XAUC 0.8158、PCOC 0.9858、MAE 4.9915
  • 🚀 部署状态:✅ 已推全(美团主流量全量部署)
  • ⏱️ AB 周期:13 天
  • 📊 数据规模:712M 条广告日志、121M 用户、949K POI;OOT 95%/5%,测试 29M 条、13M 用户、408K POI
  • 🔄 离线-线上一致性:离线 XAUC/PCOC/MAE 与线上 RPS/XAUC 同向;指标粒度不同,未报告逐样本对齐
  • 🎯 场景泛化性:⚠️ 特定场景(容器-条目层级,跨域未验证)
  • 🔍 业内对标:对比 WLR 0.8043、DLRM 0.8051、RankMixer 0.8105、CREAD 0.8095;XAUC 0.8105→0.8158,增量来自层级分解与校准
  • 🛡️ 置信度:高——全量部署、13 天 AB、712M 日志与完整消融

2. Separating Thinking from Spelling for Efficient Generative Recommendation

🔗 原文:https://arxiv.org/abs/2610.32980
🏷️ 来源:🏭 工业界 | 未披露(信号含在线部署;作者背景指向 Skoltech/AIRI)
👥 团队:高效生成式推荐推理团队(据作者群推断)
🎯 业务场景:通用生成式推荐 / 大规模 SID 检索服务
✍️ 主要贡献人:Danil Gusak, Anna Volodkevich, Ivan Oseledets
🏛️ 代表组:未披露
⭐ 评分:⭐⭐⭐⭐½ (4.5/5)
🎯 推荐理由:把生成式推荐的推理瓶颈定位到 SID 解码而非输入,concept 解码给出可复用的降本路径。
📝 摘要:论文指出 SID 生成式推荐的推理成本主要耗在 beam search 写标识符,beam=100 时可达生成时间 91%。方法把读历史与写 SID 解耦:主干一次前向产出紧凑 concept,轻量 KV-cached 解码器在 trie 约束下逐级打分,并支持交叉熵训练、教师蒸馏与 copy pointer。7 个数据集上 NDCG@10 不降反升,MovieLens 吞吐 20,080 users/s,为教师 6.5 倍,50ms 预算下服务能力提升 3.2–8.6 倍。
🔬 实验评估:
  • 📈 提升幅度:Toys NDCG@10 0.0352 vs 0.0300;MovieLens 0.0898 vs 0.0887;吞吐 20,080 vs 6,113 users/s(×6.5);3B 相对 FusedGR ×16;线上业务增益未报告
  • 🚀 部署状态:✅ 已推全(信号提示已部署;线上范围与业务指标未报告)
  • ⏱️ AB 周期:未报告
  • 📊 数据规模:7 个数据集(Amazon 2014 Toys/Beauty/Sports、BPC-23、Books-23、MovieLens、Yambda),beam 100、3 seed;含 1.5B/3B 主干
  • 🔄 离线-线上一致性:离线精度与吞吐可复现;线上仅部署信号,缺业务指标对照
  • 🎯 场景泛化性:✅ 通用(SID 生成式检索,多数据集验证)
  • 🔍 业内对标:对比 FlatGR/FusedGR、SASRec+;精度在 Toys/MovieLens 反超,50ms 预算下多服务 7.1×/3.9×/3.2×,整体 3.2–8.6×
  • 🛡️ 置信度:中——多数据集与吞吐证据强,但机构归属、线上细节缺失

3. Knowledge Distillation across Item and Code Spaces for Parallel Generative Recommendation

🔗 原文:https://arxiv.org/abs/2610.32943
🏷️ 来源:🎓 学术界 | 未披露(作者 Can Yang 关联 HKUST,推断)
👥 团队:HKUST 推荐系统与机器学习团队(推断)
🎯 业务场景:通用生成式推荐(并行 SID 全目录排序)
✍️ 主要贡献人:Yixuan Xu, Hailin Liu, Linxiang Peng
🏛️ 代表组:Can Yang 课题组(推断)
⭐ 评分:⭐⭐⭐⭐ (4/5)
🎯 推荐理由:用物品教师与码空间蒸馏补足并行 SID 的软监督,理论分析与三数据集证据较完整。
📝 摘要:论文针对并行 SID 生成推荐仅用下一物品硬标签、缺少候选分布监督的问题,将 SASRec 物品级教师跨空间蒸馏给学生。IDM 用各码头概率几何平均重构物品分布,CMM 用 item-to-code 矩阵投影教师概率并逐头 KL,两者与硬标签损失加权,配合梯度校准渐进引入。Amazon Beauty/Toys/Sports 上 R@10 平均提升 15.39%,N@10 提升 8.28%,优于 TIGER、HSTU、RPG,IDM 偏召回、CMM 偏排序。
🔬 实验评估:
  • 📈 提升幅度:相对硬标签 AsymRec 平均 R@10 +15.39%(IDM)、N@10 +8.28%(CMM);Beauty IDM R@10 0.1094 vs 0.0940,CMM N@10 0.0592 vs 0.0547;Sports CMM N@10 0.0341 vs 0.0322
  • 🚀 部署状态:⚠️ 在线实验(信号提示;提炼分析仅报告离线结果)
  • ⏱️ AB 周期:未报告
  • 📊 数据规模:Amazon 2014 Beauty/Toys/Sports 5-core,全目录排序,3 次运行平均;16/48 头消融
  • 🔄 离线-线上一致性:仅离线结果可核,线上细节未报告
  • 🎯 场景泛化性:⚠️ 方法通用,但仅 Amazon 三集验证
  • 🔍 业内对标:对比 TIGER、HSTU、RPG、AsymRec;平均 R@10 +15.39%、N@10 +8.28%,补足硬标签监督
  • 🛡️ 置信度:中——多数据集与理论分析扎实,规模与线上证据有限

4. TGR-EvoDAG: A DAG-based Multi-Agent Code Evolution Framework for Generative Recommendation on Tencent

🔗 原文:https://arxiv.org/abs/2610.32326
🏷️ 来源:🤝 产学合作 | 腾讯 PCG、香港理工大学、麦吉尔大学
👥 团队:腾讯 PCG Uppimo / 生成式推荐团队
🎯 业务场景:通用生成式推荐管线自动化 / 腾讯内容推荐
✍️ 主要贡献人:Junlin He, Junzhang Zhu, Yudong Li
🏛️ 代表组:腾讯 PCG 推荐技术团队;PolyU/McGill 合作组
⭐ 评分:⭐⭐⭐⭐½ (4.5/5)
🎯 推荐理由:把代码进化用于完整 GR 级联管线,兼顾成本与下游适配,并有腾讯线上显著性。
📝 摘要:论文指出现有代码进化框架忽视 GR 级联管线的阶段成本与延迟收益,提出 DAG 式多智能体进化框架 TGR-EvoDAG。系统以 Code DAG 记录血缘、产物与执行经验,由七个 LLM 智能体完成选择、设计、编码、评审、蒸馏与剪枝,并引入阶段成本规划和下游协同适配。Amazon Office 39 轮进化后 Hit@10 达 0.0869,较 APAO 提升 24.7%;腾讯 14 天 5% 流量 A/B 的 CTR 提升 0.40%,已作为 Uppimo 核心引擎落地。
🔬 实验评估:
  • 📈 提升幅度:Hit@10 0.0869,较 APAO +24.7%、Arbor+Diag. +6.8%、Self-EvolveRec +21.0%;NDCG@10 +37.4%/+16.9%/+32.8%;线上 CTR +0.40%(p=0.019)
  • 🚀 部署状态:⚠️ A/B测试中(14 天 5% 流量;已作为 Uppimo 核心引擎落地)
  • ⏱️ AB 周期:14 天
  • 📊 数据规模:24 GPU 小时、39 轮进化、Amazon Office Products;工业侧 10 天 >10M 交互日志;A/B 5% 流量、>1M 用户
  • 🔄 离线-线上一致性:离线 Hit/NDCG 与线上 CTR 同向;线上采用 CUPED+BH 校正,未报告逐用户对齐
  • 🎯 场景泛化性:✅ 通用(GR 管线进化框架;Amazon+腾讯双场景)
  • 🔍 业内对标:对比 APAO、Arbor+Diag.、Self-EvolveRec、Agent4Rec;Hit@10 分别 +24.7%/+6.8%/+21.0%
  • 🛡️ 置信度:高——14 天 AB、p=0.019、>1M 用户且已落地核心引擎

5. UAE GovTrust Scope Filtering Gains and Routing Failures in Bilingual Public Service Retrieval

🔗 原文:https://arxiv.org/abs/2610.32608
🏷️ 来源:🏭 工业界 | 未披露(独立研究者)
👥 团队:独立研究者
🎯 业务场景:公共服务双语检索与范围路由
✍️ 主要贡献人:Aleksandar Mihajlovic
🏛️ 代表组:未披露
⭐ 评分:⭐⭐⭐ (3/5)
🎯 推荐理由:小规模但诊断锋利,揭示范围过滤收益与路由脆弱性并存的评估陷阱。
📝 摘要:论文构建 UAE GovTrust 双语诊断集,拆解公共服务检索中的范围选择、排序与服务直查,指出正确范围元数据能提升排序,但规则式范围推断在扰动下极易失效。实验覆盖 12 种方法、72 条可答查询与 168 个扰动:RoleRRF Hit@1 达 95.8%,优于 RRF 的 65.3%;但扰动下仅 1/168 正确,未过滤 RRF 为 76/168。结论强调范围推断须独立评估,贡献在可复现错误分解而非端到端系统。
🔬 实验评估:
  • 📈 提升幅度:RoleRRF Hit@1 69/72(95.8%)vs RRF 47/72(65.3%);RoleDense/DirectLookup 68/72(94.4%);扰动下 RoleRRF 仅 1/168 正确首条,RRF 76/168、E5 82/168
  • 🚀 部署状态:❌ 仅离线验证
  • ⏱️ AB 周期:未报告
  • 📊 数据规模:22 张英阿服务卡、50 个场景、110 个查询变体;72 条可答查询、24 个对照、168 个扰动、1,320 条排序
  • 🔄 离线-线上一致性:仅离线;新环境复现全部 1,320 条排序与动作,0 不一致
  • 🎯 场景泛化性:⚠️ 特定场景(UAE 双语公共服务)
  • 🔍 业内对标:对比 BM25、multilingual-e5-small、RRF、cross-encoder、OracleRRF、DirectLookup;优势是可复现诊断与错误分解,非 SOTA 系统
  • 🛡️ 置信度:中——复现实验扎实,但样本小、单作者、未经专家验证

6. PersonalQuery-Benchmark: Evaluating Retrieval Robustness to Personalized User Expression Differences

🏷️ 来源:[🏭 工业界 | 机构未披露(信号提示工业界)]
👥 团队:未披露
🎯 业务场景:通用检索/电商搜索的个性化查询稳健性评测
✍️ 主要贡献人:Wenyu Liang、Hongzhi Yin、Tongtong Wu
🏛️ 代表组:未披露
⭐ 评分:[⭐⭐⭐½] (3.5/5)
🎯 推荐理由:想理解“同一需求、不同说法”如何扰动检索排序,或需要构建鲁棒性基准的团队值得一读。
📝 摘要:论文首次系统研究信息需求固定、仅表达不同时的检索排序稳健性,提出个性化句法表达与书写错误两个维度并构建 PQB。方法从 Amazon Reviews 2023 三域抽取依存/词性三元组,学习用户句法表征并以 rank-one-plus-diagonal 高斯建模,再用 Qwen2.5-0.5B-Instruct 在核心检索词约束下生成查询,配合语义配对与 GECToR+ERRANT 注入错误。实验覆盖 6,516 条查询、五类检索模型和两个 LLM 排序器,发现表达变异带来可测排序波动,且更强检索效果不必然更稳健。
🔬 实验评估:
  • 📈 提升幅度:未报告具体排序指标数值;仅报告表达变异引起可测量排序波动,且不同模型对句法/书写错误敏感度不同。
  • 🚀 部署状态:❌ 仅离线验证
  • ⏱️ AB 周期:未报告
  • 📊 数据规模:Amazon Reviews 2023 三域,6,516 条查询实例;21,737 维稀疏规则向量;五类检索模型+两个 LLM 排序器。
  • 🔄 离线-线上一致性:仅离线基准;无线上对照数据。
  • 🎯 场景泛化性:⚠️ 特定场景(Amazon 电商三域;跨域、跨语言待验证)
  • 🔍 业内对标:现有检索稳健性/查询扰动基准;增量是固定信息需求、稳定用户身份与长期表达历史对齐,并区分句法表达与书写错误两类个性化变异。
  • 🛡️ 置信度:中:基准构建与人工评估较完整,但摘录未给排序指标数值,且无线上验证。

7. From archive to resource: bringing legacy data back to life at scale with large language models

🏷️ 来源:[🏭 工业界 | Bayer Pharma AG / F. Hoffmann-La Roche Ltd]
👥 团队:Bayer PRINCE;Roche pRED Predictive Modelling / gRED Computational Sciences Center of Excellence
🎯 业务场景:药物研发/临床前研究数据治理与虚拟对照组构建
✍️ 主要贡献人:C. H. Vieira-Vieira、I. Schneider Chernov、A. Serra
🏛️ 代表组:Bayer PRINCE 团队;Roche pRED/gRED 计算科学团队
⭐ 评分:[⭐⭐⭐½] (3.5/5)
🎯 推荐理由:把 LLM 抽取落到受监管药物研发数据治理的少见工业实证,兼顾跨机构格式与证据可追溯。
📝 摘要:针对遗留临床前报告中的禁食、麻醉、仪器等研究情境元数据未被 SEND 收录、只能人工阅读的问题,Bayer 与 Roche 各自构建 LLM 抽取流水线。Bayer 的 PRINCE 用 RAG 预过滤、GPT-5.4 结构化输出 44 个字段并结合规则合并;Roche 用文档解析加 GPT-4.1 按章节抽取 10 个字段,均返回原文证据、页码与章节供核验。244+202 份报告评测中,Bayer 28 个可比字段 F1 达 98.8%,人工 25 分钟/研究降至 1.6 分钟;恢复的禁食元数据还可用于虚拟对照组匹配。
🔬 实验评估:
  • 📈 提升幅度:Bayer 28 个可比字段 recall 99.8±0.5%、precision 97.9±2.4%、F1 98.8±1.3%,优于 PRINCE 基线 81.8/92.1/82.5;44 字段均值 95.8/96.2/95.6%;人工抽取由约 25 分钟/研究降至 1.6 分钟/研究。
  • 🚀 部署状态:❌ 仅离线验证(内部流水线验证)
  • ⏱️ AB 周期:未报告
  • 📊 数据规模:244 份 Bayer + 202 份 Roche 报告;Bayer 训练 205 份(165 GLP、40 非 GLP,最早 1991 年)、验证 39 份;44/10 个字段。
  • 🔄 离线-线上一致性:仅离线回顾性验证;无线上对照。
  • 🎯 场景泛化性:⚠️ 特定场景(临床前研究报告;跨 Bayer/Roche 两种格式已验证)
  • 🔍 业内对标:SEND 结构化标准、人工抽取与单机构 LLM 抽取;增量是跨机构双流水线、证据回链、44/10 字段覆盖及虚拟对照匹配。
  • 🛡️ 置信度:高:两套独立工业流水线、446 份报告、明确指标与置信区间;仍为离线回顾性评估。

8. Every Edge Needs a Quote: Building a Quote-Grounded Knowledge Graph of Healthcare Software Adoption with Language-Model Agents

🏷️ 来源:[🎓 学术界 | 机构未披露]
👥 团队:未披露(医疗 AI/知识图谱方向)
🎯 业务场景:医疗软件采购尽调/ToB 客户与集成关系知识图谱
✍️ 主要贡献人:Juan Felipe Duran、Arthur Tobler、Martin Vallières
🏛️ 代表组:未披露
⭐ 评分:[⭐⭐⭐½] (3.5/5)
🎯 推荐理由:为高风险 ToB 知识图谱提供了“每条边可逐字核验”的工程范式,评测也足够细。
📝 摘要:医院采购软件时,同行使用与系统集成证据分散,LLM 抽取结论难核验。论文提出“每条边必须有原文逐字引用”的知识图谱流水线:厂商站点确定性抓取,站外用带预算 ReAct agent 发现;抽取阶段宽松召回并要求连续引用;接地阶段做 splice repair、referent 补全、14 项 shape checks 与 5 次模型调用×9 条准则的语义面板投票,并保留引用、URL 与检索时间。61 家厂商、6,428 条候选关系上页面级精确率 0.94、召回率 0.71、F1 0.81,置信度分数 AUC 0.887。
🔬 实验评估:
  • 📈 提升幅度:页面级精确率 0.94、召回率 0.71、F1 0.81;客户关系 0.96/0.71/0.81,集成关系 0.90/0.71/0.79;相对 golden reference 为 0.34/0.41/0.37;置信度分数 AUC 0.887。
  • 🚀 部署状态:❌ 仅离线验证(研究原型,Neo4j/Graphiti 持久化)
  • ⏱️ AB 周期:未报告
  • 📊 数据规模:61 家厂商、3,284 个页面、6,428 条可判定候选关系;额外保留但 reference 未列的 803 对中 716 对(89%)有页面级支持;referent 子集含 266 个厂商页、21 家厂商。
  • 🔄 离线-线上一致性:仅离线页面级人工复核;无线上对照。
  • 🎯 场景泛化性:⚠️ 特定场景(医疗软件采购 KG;方法可迁移到其他 B2B 关系抽取)
  • 🔍 业内对标:LLM 知识图谱抽取与客户关系图谱;增量是逐边逐字引用硬约束、语义面板投票置信度与页面级人工复核基准。
  • 🛡️ 置信度:中:页面级复核与多阶段校验扎实,但单领域、无线上部署。

9. From Item Scores to Semantic Tokens: Test-Time Collaborative Adaptation for Generative Recommendation

🏷️ 来源:[🤝 产学合作 | 机构未披露(据作者构成推断)]
👥 团队:未披露(生成式推荐/语义 ID 方向)
🎯 业务场景:电商与本地生活生成式推荐
✍️ 主要贡献人:Xiongfeng Shan、Xing Tang、Hanchong Chen
🏛️ 代表组:未披露
⭐ 评分:[⭐⭐⭐⭐] (4/5)
🎯 推荐理由:免训练、可插拔的生成式推荐解码增强,兼顾理论条件与多数据集验证,工程落地成本低。
📝 摘要:语义 ID 生成式推荐依赖 beam search,容易不可逆剪掉有希望的前缀,尤其当新兴兴趣仅由少数近期交互体现时。论文提出免训练、测试时注入判别式 item 分数的 TCBSA:冻结判别器对全目录打分,计算相对 Top-R 的分数边际并按共享 prefix–token 边聚合为协同势,再用全目录 softmax 置信门控在剪枝前把势能加入路径分数。四个数据集、三组生成器—判别器配对、16 个指标组合全部最优;Yelp 上 MiniOneRec 提升 8.4%–12.4%,新兴兴趣子集 NDCG@10 最高相对提升 103.29%。
🔬 实验评估:
  • 📈 提升幅度:16 个数据集—指标组合全部最优,14 个对比对最强基线显著;Yelp 上 MiniOneRec+TCBSA 较最强基线提升 8.4%–12.4%;NDCG@10 上 TIGER 提升 4.9%–30.4%、MiniOneRec 提升 2.3%–9.6%、换 GRU4Rec 提升 3.2%–14.9%。
  • 🚀 部署状态:❌ 仅离线验证
  • ⏱️ AB 周期:未报告
  • 📊 数据规模:Amazon Reviews 2023 的 Science/Music/Office + Yelp;TIGER–SASRec、TIGER–GRU4Rec、MiniOneRec–SASRec;默认 B=20、R=500。
  • 🔄 离线-线上一致性:仅离线全目录评测;无线上对照。
  • 🎯 场景泛化性:✅ 通用(语义 ID 生成式推荐;四域验证,但需可用判别器)
  • 🔍 业内对标:TIGER、MiniOneRec 等语义 ID 生成式推荐与 SASRec/GRU4Rec 判别器;增量是冻结模型下的测试时协同势注入、前缀存活充分条件与置信门控。
  • 🛡️ 置信度:高:四数据集、三组配对、16 个指标组合与理论分析;仅离线。

10. System One models Are Not Better Rerankers

🏷️ 来源:[🎓 学术界 | 机构未披露]
👥 团队:未披露(信息检索/重排方向)
🎯 业务场景:通用检索/LLM reranker 选型
✍️ 主要贡献人:Michael Dinzinger、Kanishka Ghosh Dastidar、Michael Granitzer
🏛️ 代表组:未披露
⭐ 评分:[⭐⭐⭐⭐] (4/5)
🎯 推荐理由:厘清“决策模型直接当 reranker”的流行误区,是同基座受控比较的选型必读。
📝 摘要:2026 年 9 月后,System One/决策模型被迅速当作 reranker 使用,但既有比较多在不同且更小的基座上完成,无法区分决策微调与底层语言模型的贡献。论文在同一 Qwen 基座上受控比较未微调零样本、决策微调(Kev/Clef,isolated/joint)与 reranker 微调(Qwen3-Reranker、Prism、自训 9B/27B),统一重排 BM25 top-100,用 nDCG@10、ECE、Brier 等评估。0.6B–9B 上 reranker 微调平均领先 5.2–28.8 个 nDCG@10 点,60 对中 48 对显著;27B 打平,校准优势依赖提问措辞。
🔬 实验评估:
  • 📈 提升幅度:0.6B–9B 上 reranker 微调平均领先决策微调 5.2–28.8 个 nDCG@10 点,60 个 reranker×集合对中 48 个显著;27B 打平(自训 59.6 vs Kev-27B 60.1);9B 及以下决策微调相对未微调仅 −2.5 至 +0.7 点。
  • 🚀 部署状态:❌ 仅离线验证
  • ⏱️ AB 周期:未报告
  • 📊 数据规模:6 个 Qwen 基座(0.6B–27B);TREC DL 2019–2023 + 5 个 BEIR 集合;60 个 reranker×集合对。
  • 🔄 离线-线上一致性:仅离线公开基准;无线上对照。
  • 🎯 场景泛化性:✅ 通用(通用检索重排;TREC/BEIR 多集合)
  • 🔍 业内对标:S1Rank、Kev/Clef/Jev 决策模型与 Qwen3-Reranker、Prism;增量是同一基座受控比较,分离决策微调与基座能力,并检验校准对提问措辞的敏感性。
  • 🛡️ 置信度:高:同基座受控、6 个规模、60 对比较;仅离线公开基准。

11. Scaling Graph Query Processing: Focused Exploration on Partitions Using Load Balancing

🏷️ 来源:[🎓 学术界 | 未披露]
👥 团队:Harshit Modi、Abhishek Santra、Sharma Chakravarthy(图查询与分区方向)
🎯 业务场景:通用图查询/图数据库
✍️ 主要贡献人:Harshit Modi、Abhishek Santra、Sharma Chakravarthy
🏛️ 代表组:未披露
⭐ 评分:⭐⭐⭐ (3/5)
🎯 推荐理由:适合关注大规模图查询分区、Map/Reduce 正确性保障与加载启发式的读者。
📝 摘要:面向大规模图上的表达式化查询,支持比较、范围、通配符及 AND/OR 条件,在任意规模与类型图上正确返回全部或前 k 个答案。方法用单趟 Map/Reduce 做可变大小范围分区,生成邻接表与元信息文件;查询时以组合启发式选 top-k 分区并行扩展,跨分区答案按分区 id 路由并在 reducer 合并,规范化去重。实验在 IMDb、DBLP 与 Subgen 合成图上对比 RANDOM 及单一指标基线,考察响应时间、加载分区数与 load factor,未报告具体数值;结果支持其可扩展性与正确性。
🔬 实验评估:
  • 📈 提升幅度:摘要未报告具体数字
  • 🚀 部署状态:❌ 仅离线验证
  • ⏱️ AB 周期:未报告
  • 📊 数据规模:IMDb、DBLP 真实图与 Subgen 合成图;具体规模未报告
  • 🔄 离线-线上一致性:仅离线
  • 🎯 场景泛化性:✅ 通用(框架无关的分布式图查询)
  • 🔍 业内对标:对比 RANDOM、MIN/MAX SN、MIN CC 等加载启发式;增量是表达式化查询、分区正确性论证与组合启发式
  • 🛡️ 置信度:中:真实与合成数据验证,但关键数值缺失

12. Recommender regret for improving regularised RL estimation with bandits and MCTS

🏷️ 来源:[🎓 学术界 | Université de Montréal / Université Laval / Mila / McGill University]
👥 团队:Mila 的 Gidel、Durand 等强化学习与 bandit 理论团队
🎯 业务场景:通用推荐/RL 估计与决策
✍️ 主要贡献人:Danilo Vucetic、Alexandre Larouche、Mohammad Pedramfar
🏛️ 代表组:Mila / McGill 的 RL 与 bandit 研究组
⭐ 评分:⭐⭐⭐⭐ (4/5)
🎯 推荐理由:把 bandit 的采样目标与估计质量拆开,适合做 RL 推荐估计与 MCTS 的读者。
📝 摘要:论文指出现有 bandit 估计只关注采样效率,忽略估计质量,将估计生成视为推荐过程,提出与正则化器相关的 recommender regret,覆盖策略、价值与 Q 值,并给出理论下界,证明均匀采样可达最紧上界。进一步提出 recommender MCTS,用 Legendre-Fenchel 对偶直接回传 Q̂。实验覆盖合成树、19 款街机游戏及 AMP/GFP/UTR 科学发现任务,显示均匀采样多数优于 E3W/UCT,TENTS 等达到或超过基线 top-100 均值。
🔬 实验评估:
  • 📈 提升幅度:未报告统一提升数值;均匀采样在多数合成树与游戏中优于 E3W/UCT,TENTS 在 AMP/GFP/UTR 达到或超过基线 top-100 均值
  • 🚀 部署状态:❌ 仅离线验证
  • ⏱️ AB 周期:未报告
  • 📊 数据规模:合成树 15k 次模拟;19 款街机游戏各配置 100 随机种子;AMP/GFP/UTR 模拟预算 32–1024
  • 🔄 离线-线上一致性:仅离线
  • 🎯 场景泛化性:✅ 通用(bandit/MCTS/科学发现)
  • 🔍 业内对标:对比 E3W、UCT、TENTS 等;增量是把 simple regret/推荐目标引入正则化 bandit 与 MCTS
  • 🛡️ 置信度:高:理论下界加多场景实验,唯缺线上验证

13. Agentic Memory Management Is the Next Frontier of Information Retrieval

🏷️ 来源:[🎓 学术界 | 未披露]
👥 团队:Qingyao Ai(IR/Agent Memory 方向)
🎯 业务场景:通用(Agent Memory/IR)
✍️ 主要贡献人:Qingyao Ai
🏛️ 代表组:未披露
⭐ 评分:⭐ (1/5)
🎯 推荐理由:适合想了解 Agent Memory 与 IR 交叉议程、寻找系统性研究框架的读者。
📝 摘要:立场论文主张 agentic memory management(AMM)是 IR 的自然延伸与智能体时代的新形态。作者以 Salton 的 IR 定义为参照,从对象、过程、应用、优化四要素构建框架,将记忆分为常量 C、函数 F、算子 H,记 M=(C,F,H),并梳理学习、遗忘、利用三类过程及反馈闭环。文章将 RAG、MemGPT、Generative Agents、Reflexion、Voyager、Mem0 等系统定性归类,指出 AMM 缺乏系统理论、可复用基准与评测协议,提出记忆效用、混合优化与人机回环等议程;无实验评估。
🔬 实验评估:
  • 📈 提升幅度:未报告(无实验)
  • 🚀 部署状态:❌ 仅离线验证(观点论文,无实验)
  • ⏱️ AB 周期:未报告
  • 📊 数据规模:未报告
  • 🔄 离线-线上一致性:无实验评估
  • 🎯 场景泛化性:✅ 通用(IR/Agent Memory)
  • 🔍 业内对标:与 RAG、MemGPT、Generative Agents、Reflexion、Voyager、Mem0 等定性对比;增量是系统化 AMM 框架与研究议程
  • 🛡️ 置信度:中:框架清晰且有启发性,但缺实验验证

14. SkillRep: Characterizing and Understanding the Representation Design Space of Agent Skill Retrieval

🏷️ 来源:[🎓 学术界 | 未披露]
👥 团队:SkillRep 作者团队(Tianyi Sun 等,Agent 技能检索方向)
🎯 业务场景:Agent 技能检索/通用检索
✍️ 主要贡献人:Tianyi Sun、Pengfei Yao、Yanze Wang
🏛️ 代表组:未披露
⭐ 评分:⭐⭐⭐⭐ (4/5)
🎯 推荐理由:系统拆解 Agent 技能检索的表示设计空间,实验与消融扎实。
📝 摘要:论文研究智能体技能检索中请求与技能文档表述不一致的问题,将编码器微调、查询侧扩展、文档侧扩展、背景投影与词法通道五种表示选择整合进 SkillRep。以对比微调的 Qwen3-Embedding-0.6B 为稠密编码器,叠加免训练模块,并用 background、unsaid vocabulary、dilution 三个逐请求量解释模块作用。SRA-Bench 官方池达 R@10 92.35、MRR@10 79.21、Hit@1 70.00,MRR 比同尺寸最强检索器高 7.02;UniPool 高 8.79。消融显示微调会反转模块排序并使其由互补转为重叠。
🔬 实验评估:
  • 📈 提升幅度:SRA-Bench 官方池 R@10 92.35 / MRR@10 79.21 / Hit@1 70.00,MRR 较同尺寸最强高 7.02;UniPool 89.59 / 76.46 / 67.18,高 8.79;SkillsBench easy 72.07 / 76.63 / 72.00,hard 70.10 / 74.61 / 69.33
  • 🚀 部署状态:❌ 仅离线验证
  • ⏱️ AB 周期:未报告
  • 📊 数据规模:SRA-Bench 5,400 请求,官方池 26,262、UniPool 111,247;SkillsBench 75 任务,easy/hard 池 78,361/79,141;另有 SkillRet 测试集
  • 🔄 离线-线上一致性:仅离线
  • 🎯 场景泛化性:⚠️ 特定场景(Agent 技能检索)
  • 🔍 业内对标:对比同尺寸最强稠密检索器、BM25 与单模块方案;增量是五类表示统一与请求–技能差距分解
  • 🛡️ 置信度:高:三基准与完整消融,机构未披露不影响结果判断

15. ReMedI: Inference-Time Refinement and Self-Distillation for Controllable Molecular Optimization

🏷️ 来源:[🎓 学术界 | University of Illinois Urbana-Champaign]
👥 团队:UIUC Tong Zhang 团队(分子语言模型与推理时优化)
🎯 业务场景:AI4Science/分子优化
✍️ 主要贡献人:Jia Yi Zhang、Shivanshu Shekhar、Allison McLevige
🏛️ 代表组:UIUC Tong Zhang 研究组
⭐ 评分:⭐⭐⭐⭐ (4/5)
🎯 推荐理由:展示推理时搜索加自蒸馏在低数据分子优化上的潜力,适合关注推理时对齐的读者。
📝 摘要:论文针对分子先导优化中多目标优化与保持相似性的矛盾,以及 RL 后训练依赖昂贵任务数据的问题,提出推理时对齐方法 ReMedI:冻结分子语言模型作提案器,用 Metropolis–Hastings 搜索改进多目标性质,并将轨迹自蒸馏回基座模型。在 C-MuMOInstruct 与 SMDD-Bench Task 4 上评估三个骨干;q1-MH 在 Llama IND 达 SOR 0.696、SSOR 0.244,高于 C-MORAL 的 0.296/0.054;SMDD 上 SOR 0.764–0.796、CLR 0.764–0.806,但相似度较低。蒸馏仅用 500 条实例,约为 C-MORAL 的 1/7.8。
🔬 实验评估:
  • 📈 提升幅度:q1-MH Llama IND SOR 0.696 / SSOR 0.244,C-MORAL 0.296 / 0.054;SMDD SOR 0.764–0.796、CLR 0.764–0.806,高于 C-MORAL 的 0.506–0.640 / 0.576–0.681;相似度低于 C-MORAL;严格成功覆盖约 2.8×
  • 🚀 部署状态:❌ 仅离线验证
  • ⏱️ AB 周期:未报告
  • 📊 数据规模:C-MuMOInstruct 10 任务(5 IND/5 OOD)、SMDD-Bench Task 4 314 实例、3 个骨干;蒸馏 500 条 vs C-MORAL 3,883 条
  • 🔄 离线-线上一致性:仅离线
  • 🎯 场景泛化性:⚠️ 特定场景(分子优化)
  • 🔍 业内对标:对比 C-MORAL 等 RL 后训练基线;增量是冻结模型上的推理时 MH 加自蒸馏,显著降低任务数据需求
  • 🛡️ 置信度:中:多任务多骨干结果强,但仅计算机预测,未验证体外/体内有效性

16. RxnExBench: Benchmarking Vision-Language Models for Structured Chemical Reaction Extraction from Scientific Literature

🔗 原文:https://arxiv.org/abs/2610.32221
🏷️ 来源:🎓 学术界 | 上海人工智能实验室、北京大学、华南师范大学
👥 团队:上海人工智能实验室多模态与科学文献理解团队(据作者机构推断)
🎯 业务场景:通用(化学科学文献结构化抽取与多模态基准)
✍️ 主要贡献人:Jiaxing Sun、Junyuan Gao、Ruikang Zhang
🏛️ 代表组:未披露(上海人工智能实验室多模态方向)
⭐ 评分:⭐⭐⭐½ (3.5/5)
🎯 推荐理由:首个面向反应图表的反应级结构化抽取基准,清晰暴露 VLM 在化学感知推理上的真实短板。
📝 摘要:RxnExBench 聚焦合成化学文献中的 Screen Table 与 Substrate Scope 图表,构建 3,565 条专家标注反应、2,361 个分子结构、15 种反应角色与 26 个字段的基准,并用三级难度与 Oracle-MolRec 协议分离分子识别与高层推理。评测 9 个 VLM,Criterion 1 下 GPT-5.5 最高仅 23.16% F1,Criterion 3 降至 8.86%;提供真值 SMILES 后 Criterion 3 最高仍仅 15.88%。75.51% 错误涉及分子结构,表明化学感知推理与多模态整合仍是主要瓶颈。
🔬 实验评估:
  • 📈 提升幅度:基准无部署提升;最佳 GPT-5.5 为 23.16% F1,Oracle-MolRec-IDT 下升至 42.67%,Criterion 3 最强仅 8.86%
  • 🚀 部署状态:❌ 仅离线验证
  • ⏱️ AB 周期:未报告
  • 📊 数据规模:3,565 条反应、2,361 个分子结构、266 张图、53,659 个字段、1,183 人时;评测 9 个 VLM
  • 🔄 离线-线上一致性:仅离线/仅基准评测
  • 🎯 场景泛化性:⚠️ 特定场景(英文有机合成文献,反应级严格匹配)
  • 🔍 业内对标:对比 9 个通用 VLM 并设 Oracle-MolRec;增量在反应级 schema、三级匹配严格度与化学推理诊断
  • 🛡️ 置信度:中 + 标注规模大、协议完整,但仅英文有机合成、无真实业务验证

17. ALLMTS: Automated LLM-based Medical Triage System

🔗 原文:https://arxiv.org/abs/2610.32469
🏷️ 来源:🤝 产学合作 | Vstorm、弗罗茨瓦夫理工大学、AGH 等
👥 团队:Vstorm R&D 医疗分诊团队(据作者机构推断)
🎯 业务场景:医疗电话分诊
✍️ 主要贡献人:Michał Remigiusz Janiszewski、Artur Stopa、Łukasz Lenkiewicz
🏛️ 代表组:Vstorm R&D(产业实验室)
⭐ 评分:⭐⭐⭐½ (3.5/5)
🎯 推荐理由:用可审计的指南执行替代 LLM 自由生成,把过度分诊率从 0.44 压到 0.02,对高风险决策系统落地很有参考价值。
📝 摘要:ALLMTS 针对电话分诊中 LLM 过度升级、缺乏可审计标准的问题,将任务拆成受约束的语言抽取与指南匹配,再由 STCC 314 条指南的 TAQ 布尔评估确定性推导处置,模型不直接生成分诊等级。系统在 566 个专家验证场景上取得 0.95 准确率、0.96 加权 F1,原始 LLM 仅 0.47/0.48;过度分诊率由最高 0.44 降至 0.02,低分诊 0.04。50 例公开集上达 0.98,接近五位专家护士的 0.944;十次重复 κ 为 0.955。指南同源评估与合成场景仍是主要局限。
🔬 实验评估:
  • 📈 提升幅度:准确率 0.47→0.95,加权 F1 0.48→0.96;过度分诊率 0.44→0.02
  • 🚀 部署状态:❌ 仅离线验证
  • ⏱️ AB 周期:未报告
  • 📊 数据规模:566 个专家验证场景、14 个处置标签、50 例公开集;314 条指南;10 次重复运行
  • 🔄 离线-线上一致性:仅离线/合成场景
  • 🎯 场景泛化性:⚠️ 特定场景(STCC 成人电话分诊;外部 Levine 子集 0.41、Semigran 子集 0.58)
  • 🔍 业内对标:对比原始 LLM 0.47、Web Search 0.50、Levine 0.70、Gaber 0.58;增量是“指南执行式”架构与完整 TAQ 审计链
  • 🛡️ 置信度:中 + 专家验证与稳定性充分,但合成数据、指南同源、专有内容限制复现

18. Amortized Thompson Sampling and Efficient Information-Directed Sampling for Simulator-Based Design

🔗 原文:https://arxiv.org/abs/2610.32514
🏷️ 来源:🎓 学术界 | 未披露(作者隶属信息缺失)
👥 团队:模拟推断与实验设计团队(据论文主题推断)
🎯 业务场景:通用(模拟器驱动的实验设计/贝叶斯优化)
✍️ 主要贡献人:Michal Kobiela、Michael U. Gutmann
🏛️ 代表组:未披露
⭐ 评分:⭐⭐⭐ (3/5)
🎯 推荐理由:把 Thompson sampling 的优化过程摊销到策略网络,并用动作流高效估计 EIG,适合昂贵、不可微模拟器的实验设计。
📝 摘要:论文针对连续动作空间 Thompson sampling 每轮重复推断与优化的问题,训练参数条件策略 πψ(a|θ) 将未知参数映射为近似最优动作,部署时以策略均值替代 a*(θ);再用条件归一化流做摊销推断或直接学习动作流,快速获得近似 Thompson 样本并估计 EIG。基于流可计算即时/一步前瞻遗憾与 IDS 准则 Ψ=R²/EIG。GFP 与 repressilator 两个合成生物学模拟器上,IDS 累积遗憾最低(0.879/0.833),EIG 最终遗憾较低但前期代价高;原始 TS 的 GFP 累积遗憾为 1.313。方法适配随机、不可微模拟器,但仅在两个合成任务验证。
🔬 实验评估:
  • 📈 提升幅度:GFP 累积遗憾 IDS 0.879 vs 原始 TS 1.313;repressilator 0.833 vs 1.112;EIG 最终遗憾最低 0.051
  • 🚀 部署状态:❌ 仅离线验证
  • ⏱️ AB 周期:未报告
  • 📊 数据规模:2 个合成生物学模拟器;GFP 含 22 个 ODE、3 个参数、4 步、1000 次 rollout;repressilator 为 3 维动作、4 步、100 个参数样本
  • 🔄 离线-线上一致性:仅离线/仅模拟器
  • 🎯 场景泛化性:⚠️ 特定场景(模拟器实验设计;方法通用但未跨真实平台验证)
  • 🔍 业内对标:对比原始 TS、随机、EIG、一步前瞻与即时遗憾;增量是摊销优化与动作流 EIG,缺真实实验平台和外部 SOTA
  • 🛡️ 置信度:中 + 数学与消融较完整,但仅两个合成任务、无真实部署、机构信息缺失

本日报由 AI 自动生成,解读观点仅供参考。
  • 推荐系统
  • 日报
  • 推荐算法日报 - 2026-10-25推荐算法日报 - 2026-10-23
    Loading...
    Catalog
    0%