推荐周报 2026-W44
2026-10-26
| 2026-11-4
Words 20013Read Time≈ 51 min
本周共 80 篇(去重后),覆盖 7 天:10-26、10-27、10-28、10-29、10-30、10-31、11-01。

本周概览

生成式推荐开始替换整条排序流水线,竞争点转向解码预算:UGR(D1030-01)在请求级千级异构候选上直接生成多业务排序列表,统一生成 GMV 提升 2.10%,高于单业务生成+跨业务混排的 1.38%;SLIDE(D1027-01)与 D1101-03 分别用单次 rollout 与 prefix 容量重分配压缩 beam search 成本;PailitaoMMSearch2.0(D1028-01)与 D1029-01 则把同一范式推向多模态搜索与大规模广告。召回—粗排—精排—重排的流水线正被“足够候选上下文+正确训练信号”压缩。
评估层转向元能力与系统后果,单点准确率不再是硬通货:ProSearch(D1031-01)在 1,515 条多约束查询上让 19 个检索器的最佳 nDCG@10 停在 0.290;ArchOR(D1031-02)带来 +2.68pp 的 Macro-Avg,却在全量替换基线时让 Micro-Avg 下降 1.91pp;Recommendation Feedback Loops(D1031-05)显示循环内 21–71% 的训练场所从未被访问。评测对象正从答案本身扩展到“该不该检索、检索是否完整、长期有何后果”。
长序列、记忆与检索共享同一预算约束,“读多少历史/证据”成为可计价决策:PFA(D1030-05)以渐进稀疏解码换来 1.45× 工业推理加速与 69.6% GFLOP 下降,本周同类长序列工作增益多在 0.15%–3.76% 量级;PALATE(D1030-02)把消费者门店互动序列压成一次预训练、多处复用的冻结向量;Search When Needed(D1031-04)用 CEM 69.3(+2.1)与搜索次数 −6.8% 证明“值不值得检索”同样可监督。同等预算下读更多历史,而非扩大参数,成为多条工作线的共同答案。

一、生成式检索与排序:解码预算与候选上下文

本周生成式推荐的工作不再比参数,而是比“在固定解码预算下能看到多少候选与历史”。从 SLIDE 的单次 rollout、D1101-03 的 prefix 容量重分配,到 UGR 的请求级千级异构候选统一生成与 PFA 的渐进稀疏解码,目标一致:把召回—粗排—精排—重排压缩进一个生成过程,并让 beam search 的成本可控。PailitaoMMSearch2.0 与 D1029-01 则把这一范式推进到多模态搜索与大规模广告,但后两者仍停留在系统报告与可靠性框架层面,量化证据有限。

SLIDE: Search-to-List Item Distillation for Single-Rollout Generative Retrieval(未披露)

生成式检索(GR)依赖 item-level beam search 取候选,跨 item 依赖未建模,list-level 目标难以直接优化。改为单轨迹自回归一次生成整张列表后,greedy 解码又明显弱于 beam search:beam search 搜索空间更大,且稀缺正样本的位置偏置使靠后位置监督不足。SLIDE 解耦离线搜索与在线生成,teacher 用离线 item-level beam search 产出候选,其 Semantic ID 按 beam score 拼接成 list-wise 蒸馏目标,把不同搜索路径的候选转成单轨迹顺序生成目标;student 单次 greedy 输出 Top-K,并使 teacher 规模与线上部署解耦。FORGE 与淘宝搜索实验显示单次 greedy 下检索质量显著提升,具体数值未报告。

PailitaoMMSearch2.0 Technical Report: Scaling Generative Retrieval to Unified End-to-End Multimodal Search(未披露)

工业生成式检索模型通常与固定线上场景耦合:只学场景内交互,查询形式与检索目标都很窄。PailitaoMMSearch 直接从原始查询图像与自由文本指令生成商品 Semantic ID,并沿三个维度扩展:数据侧以可复用工具集组装冷启动合成、质量控制、真实流量精炼与持续生产流程;意图侧通过 CPT、混合预算 SFT 与统一 RL 渐进注入电商知识、多种检索关系与可调推理预算,RL 结合意图均衡优化和对齐多候选服务的 Sample–Beam rollout;场景侧给出跨模型容量与推理预算的质量–成本工作点。系统已部署于淘宝拍立淘多模态搜索,受控实验的具体数字未报告;其价值在于解耦了场景、查询形式与检索目标三重绑定。↗

Towards Reliable, Scalable, and Value-Aligned Generative Recommendation for Large-Scale Advertising(未披露)

生成式推荐(GR)把物品检索重构为离散语义标识符(SID)的自回归生成。快手工业框架 GR4AD 已提升广告收入,但持续部署暴露出三点局限:确定性 SID 分配对语义边界敏感;传统骨干扩容在严格服务约束下收益递减;序列级价值优化对中间 SID 决策的信用分配不足,使基于似然的 beam search 过早剪除潜在高价值候选。GR4AD-X 以 Multi-Path 分配提升 SID 可靠性,沿多个互补维度扩展容量而非只加宽加深骨干,并用 UniVGD 统一前缀级奖励优化、价值引导 beam 剪枝与统一模型内的判别式重排,使生成对齐商业价值。快手广告大规模在线 A/B 测试显示更优的效能—效率权衡,具体数字摘要未报告。↗

UGR: Unified Generative Ranking for Heterogeneous E-commerce Recommendation(未披露)

针对现有生成式排序仅在单一业务的截断候选集上生成、依赖曝光序列模仿,且生成列表与跨业务混排后的最终列表不一致的问题,论文提出统一生成式排序框架 UGR,在请求级多业务异构候选集(生产中约千级)上直接生成多业务排序列表、无需后续跨业务混排。方法上以 request context token 编码用户属性、请求上下文与历史行为,经共同表示接口与低秩候选注意力完成全局建模后,由候选感知自回归解码器输出前缀条件下的候选分数,联合优化 NTP、WSFT(按曝光后反馈为曝光物品加权)与 PermPO(以反馈推导的 DCG 在排列间构造偏好对)三项损失,并将训练期广告去偏塔在 serving 时移除、以 S_t(i)=z_t(i)+α·eCPM_i 融入当前广告价值,从而在保持现有 GSP 定价规则不变的前提下建模广告价值。基于淘宝“猜你喜欢”连续 30 天日志构建的两个工业数据集(约 19.4 亿与 2.38 亿请求)上,UGR 六项排序指标全部最优,IPV NDCG 较 UniRank 提升 4.86%、CVR MAP 较 DEGR 提升 2.05%;线上 A/B(≥5% 流量、超过 14 天)Core IPV +1.76%、Transaction Volume +3.29%、GMV +2.10%(均 p<0.05),平均推理延迟仅增加 12ms。结论表明在完整异构候选集上统一生成多业务列表优于“单业务生成+跨业务混排”(UGR-Single+Mix 的 GMV 提升仅 1.38%、交易量仅 2.84%),论文未报告该方案在淘宝之外场景的部署结果。↗

PFA: Attention Can Be Progressively Focused in Long-Sequence Generative Recommendation(未披露)

针对长序列生成式推荐在自回归 beam search 解码时每一步都要对全部历史计算全注意力、导致线上推理延迟过高的问题,PFA 从解码过程中“渐进式注意力聚焦”与“跨步排序一致性”两个性质出发,提出渐进聚焦的稀疏解码框架。方法上 Step 0 用全注意力做全局偏好探索,Step 1 按各 beam 归一化生成概率加权聚合注意力分布、得到跨 beam 共享的重要性排序并选 top-k、将对应 KV 重排为连续内存布局,Step t≥2 复用该排序并按 k_t = max(1, ⌈k·r^(t−1)⌉) 几何缩减 token 预算,配合步感知 KV 投影与共享索引实现零开销的前缀截断;理论注意力计算量为 29.75M MACs,相对全注意力加速 2.65×、相对动态 top-k 稀疏注意力加速 1.99×。在 Kindle Store、Tmall 与工业数据集(序列长度 N=512)上四个指标全部最优,相对各数据集最强基线平均提升 Recall@10 5.75%、NDCG@10 7.18%,工业数据集上相对 Full Attention 取得 1.45× 推理加速的同时 Recall@10 提升 3.16%;7 天线上 A/B(对照组序列截断 128、实验组扩展到 512)REV +3.76%、CTR +0.34%、GMV +2.56%,在线 RT 为 11ms、低于直接输入完整 512 序列的 15ms。结论表明复用早期建立的共享排序并几何收缩预算,可在几乎不损失甚至提升推荐质量的前提下显著降低长序列解码延迟,公开基准、工业离线与线上 A/B 共同验证了其对大规模长序列生成式推荐的实际落地价值。↗

Where Beam Search Loses Top-Ranked Items:First-Step Coverage in Generative Recommendation(未披露)

生成式推荐用 beam search 解码 Semantic ID 序列,但剪枝造成的排序损失发生在哪一步仍不清楚。作者发现 first-step coverage 瓶颈:在 TIGER 覆盖三领域、两种标识构造的六个全测试设置中,所有被剪掉的精确 top-10 路径均在初始解码步首次丢失。以精确全目录参考隔离搜索损失后,把宽度重新分配到首步,在 Beam-50 不变预算下将 Search Recall@10 提升 0.96–10.90 个百分点;在全部 77,373 名测试用户与 RQ-VAE 分词下,重分配调度以 151 而非 301 的名义预算复现 Beam-100 的有序 top-10,无需重训,也不改标识与打分。匹配输出计时节省 6.35–6.39% 解码延迟。结论把预算放置变成可操作的 serving 决策。↗
横向对比表:
方案
机构
提升幅度
部署状态
数据规模
场景泛化
置信度
SLIDE(D1027-01)
未披露
未披露
未披露
未披露
生成式检索:单次 rollout、跨物品依赖建模
低
PailitaoMMSearch2.0(D1028-01)
未披露
未披露
工业技术报告
未披露
统一端到端多模态搜索
中
D1029-01 广告生成式推荐
未披露
未披露
面向大规模广告(上线状态未披露)
未披露
广告 SID 自回归生成
低
UGR(D1030-01)
未披露
GMV +2.10%(统一生成)vs +1.38%(单业务生成+跨业务混排)
生产(请求级约千级候选)
请求级千级异构候选
电商多业务统一排序
中
PFA(D1030-05)
未披露
推理加速 1.45×、GFLOP −69.6%;同批长序列工作增益 0.15%–3.76%
线上推理
未披露
长序列生成式推荐解码
中
D1101-03 首步覆盖
未披露
约一半 prefix 容量复现更宽 beam 的排序输出
未披露
未披露
生成式推荐 beam search 解码
中
趋势判断: 未来 6–12 个月,生成式排序的关键指标会从 nDCG 转向“单位算力下的候选覆盖率”:prefix 容量重分配(D1101-03)、渐进稀疏注意力(PFA)与单次 rollout 蒸馏(SLIDE)大概率会被合并进同一套解码调度器。UGR 的 1.38% vs 2.10% 对照说明,统一生成的红利取决于是否能吃掉跨业务混排,而不是简单替换召回模块;这条边界需要更多业务与显著性证据。多模态(PailitaoMMSearch2.0)与广告(D1029-01)的落地会率先检验该范式的泛化性。

二、用户序列与生成多样性:可复用表示与多峰兴趣

这一组工作都在回答同一个问题:用户历史既长又多头,模型该保留什么、丢弃什么。MIDA 用多兴趣解码加自适应聚合对抗长历史带来的性能衰减,DPE-Rec 与 D1028-04 则从扩散生成的角度守住 bundle 与下一交互的多样性;PALATE 的工业实践给出另一种答案——把消费者门店互动序列压成冻结的预训练向量,一次训练供多个广告表面复用。四条路线共同把“序列表示”从模型内部件变成可独立评估、可跨场景迁移的资产。

MIDA: Multi-Interest Decoding with Adaptive Aggregation for Session-based Recommendation(未披露)

会话推荐(SBR)只能凭借有限的交互序列推断用户兴趣,但现有模型在可用历史变长时性能反而下降:解码器过度强调近期 item,低估远期但语义相关的交互,导致长程依赖与多兴趣行为建模不足。作者提出 MIDA,一种轻量、与 encoder 无关的解码阶段重构,核心是双空间解耦:聚类在原始 item embedding 上进行,避免 encoder 学到的关系偏置扭曲语义分组;encoder 输出则保留给聚合,以维持序列上下文的完整。具体来说,MIDA (i) 在原始 embedding 上做可微的多兴趣聚类;(ii) 用基于平均簇大小的门控融合稳定性与可塑性两个分支,使聚类结构通过两个阶段之间的结构耦合直接支配聚合行为。在多个基准数据集上的实验显示,MIDA 稳定优于 SOTA,并取得可观的准确率提升,但具体提升数值未报告。 ↗

DPE-Rec: Diversity-Preserving and Efficient Diffusion Language Model Recommendation for Bundle Construction(未披露)

生成式 bundle 构建需从大商品库补齐缺失 item,属无序生成任务,diffusion LLM 的双向 attention 比自回归更契合,迭代去噪还能每步揭示多个 token 以降时延。但直接套用 DLM 有两点问题:confidence-guided 解码常把 semantic-fork 决策拖到 refinement token 已限制选择之后,损害多样性;每步揭示过多 token 又会拉低质量。DPE-Rec 用 semantic-fork-aware GRPO 经自回归 rollout 优先学习 semantic-fork 决策以保多样性;再用 pseudo-trajectory distillation 把学习从巨大随机腐蚀空间集中到高质量解码所经的紧凑轨迹子空间,使多 token 解码可靠,以更少去噪步数完成多样且准确的 bundle 构建。多个 benchmark 上效果提升,具体数值未报告。

When Diffusion Recommenders Stop Sampling: Preserving Generative Diversity(未披露)

用户历史常对应多种合理的下一次交互,传统序列推荐却只输出单一确定性排序;扩散模型虽可采样多种续接,现有面向目标物品的扩散推荐却存在严重采样坍缩,独立多次采样结果几乎相同。作者归因于两个普遍设计:潜空间与去噪器联合学习,以及用离散损失做轨迹内监督。据此提出 DARTS 三阶段潜扩散框架,解耦表示学习、生成建模与离散排序:先学习并冻结潜空间再训练扩散,把排序监督推迟到最终解码;并用解码前后的互补度量刻画采样多样性,推理时以后验预测聚合利用之。Amazon Reviews 2023 三个类目上,DARTS 在保持显著更高采样多样性的同时,标准排序指标超越强序列、生成式检索与扩散基线 7-12%;固定候选规模下聚合多次采样进一步提升排序精度。↗

PALATE: Pretrained Autoregressive LATent Embeddings(未披露)

针对 DoorDash 广告排序生产模型此前只有手工聚合特征、缺少按消费者学习到的序列表示的问题,PALATE 以消费者门店互动序列为训练对象,用生成式方法学习个人化向量并作为冻结特征供 Discovery 与 Search 两个广告表面共用。模型采用 decoder-only GPT 式 Transformer(3 层、768 宽主干、200 位置学习式位置编码)预测下一个 business,取最后一层最后 token 的隐状态作为 256 维用户向量,并针对复购为主场景设计探索加权损失(新商家 0.9/复购 0.1)、点击预训练到转化微调的两阶段课程,以及由约 60K 热门商家固定池、“曝光未下单”与随机/批内负样本组成的负采样;导出向量以 [u, c, u⊙c, cos(u,c)] 接入下游 DCNv2 且不反传梯度。未来转化商家预测上硬负样本带来 R@10 +14.3%,9:1 探索加权使新商家 R@10 提升 18.4%(整体 R@10 下降 20.4%),冻结用户向量在 Discovery/Search 分别提升 +0.59%/+0.57% Eval AUC;线上按 consumer_id 五五分流的为期一周 A/B 中 Discovery 收入 +0.79%、CVR +1.17%,Search 收入 +0.94%、CVR +1.50%。作者结论是一次预训练、冻结复用的生成式用户表示能在意图相反的浏览型与查询型表面上同时带来最大单项特征增益,但明确说明每次上线均为打包的排序器重训、线上增益不能单独归因于该嵌入。↗
横向对比表:
方案
机构
提升幅度
部署状态
数据规模
场景泛化
置信度
MIDA(D1026-03)
未披露
未披露
未披露
未披露
Session-based 推荐(长历史衰减)
中
DPE-Rec(D1027-05)
未披露
未披露
未披露
未披露
Bundle 构建(扩散语言模型)
中
D1028-04 扩散推荐多样性
未披露
未披露
未披露
未披露
扩散推荐的生成多样性
中
PALATE(D1030-02)
DoorDash
未披露
生产广告排序(Discovery 与 Search 两表面共用)
未披露
消费者门店互动序列→冻结特征
中
趋势判断: 6–12 个月内,“序列表示一次预训练、多表面复用”(PALATE)会与多兴趣/扩散解码(MIDA、DPE-Rec、D1028-04)合流:前者解决成本与复用,后者解决多样性与多峰分布。评估重点将从单一点击命中转向“生成分布是否覆盖真实多峰兴趣”,这也会把多样性指标推向线上监控。

三、工业推荐与广告:效率、特征与投放链路

工业侧本周的主线不是新模型,而是把每一分算力与每一个信号用得更细:从存储预算下的稀有物品召回(D1027-02)、HNSW 索引的无损压缩(D1028-02)、serverless DAG 预加载(GearUp),到特征交互的有效秩缩放(D1027-04)、LLM 语义标注从生成转评分(D1027-03)与 CVR 辅助监督(D1101-05)。投放链路也被拆得更细:落地页个性化(D1101-04)与广告主补贴分配(CASH)把优化对象从“一次排序”扩展到“点击之后”与“预算账户之间”。

Recovering Business Rules as Cascade Lookups for Enterprise Field Prediction(未披露)

企业销售订单系统依赖人工维护的配置规则来确定付款条件、发货点、销售归属等字段;当规则缺失或过时时,就需要人工录入,错误会扩散到开票、物流与报表。本文研究能否从历史交易中恢复业务规则,而非把规则重学成不透明的统计模式。作者提出知识图谱引导的工作流:LLM agent 提出候选 business key(例如客户与单据类型等列组合),经 SQL profiling 验证,再把证据编译为确定性的 cascade lookup;LLM 仅用于离线规则发现,推理阶段只是一次透明的键查找,不需要模型服务。在企业销售订单预测与公开关系基准上的实验表明,当字段遵循稳定业务规则时,cascade 最有效;而当预测依赖时间或邻域模式时,学习式图模型更优;具体数值未报告。漂移分析进一步把残差错误转化为配置维护诊断。 ↗

Preserving rare-item recall under a storage budget: quantization, distillation, and the limits of teacher fidelity(未披露)

固定 embedding 存储预算下,小尺寸全精度模型、蒸馏 student、高 rank 低精度分解如何取舍?作者在七个 dataset-backbone 组合中让七种候选统一占每行 168 字节:40 维 BPR、两个 40 维 UnKD student,以及把 300 维 teacher 分数分解到 rank 40/80/155/300、分别存 32/16/8/4 bit。rank-300 4-bit 仅用 teacher 13% 存储,在每个组合都保住 95-103% tail recall@20 与 93-97% NDCG@20;rank-40 分解 tail recall 全场最低,4-bit 为其 1.2-12.7 倍;UnKD 保留 56-102% teacher tail recall。五组前瞻扩展的十项预设比较中 4-bit 分解 tail recall 全部更高、95% 区间排除零。教师命中保留率在 147 对候选中有 23 对排序与 tail recall 相反,说明保真度指标会误导选型。

From Generation to Scoring: Scaling LLM-Based Semantic Labeling at LinkedIn(未披露)

工业 LLM 标注器为省算力常把多个候选标签塞进一个 prompt 逐个生成 YES/NO,但这些判定本相互独立,打包会引入耦合、把解码花在列表上,还依赖输出格式合法。本文把标注器改写为 semantic scoring:用单候选 prompt 微调,使每个判定由一次 prefill-only 前向的单个 answer token 分数给出;并适配 Multiple-Item Scoring(MIS),以候选间 attention mask 一次给数百候选打分。LinkedIn 职档资格标注上线后,候选重排仅改变至多 0.01% 判定,达到参考标签一致度所需训练对仅为打包生成约 1/4.7;MIS 栈离线吞吐提升 1.24 倍,模型服务在 1 秒 p99 目标下提升 1.9 倍,并推出 Ray Data API、向 SGLang 贡献 MIS 支持。

Unified Heterogeneous Feature Interaction via Effective-Rank Scaling for Recommender Systems(未披露)

工业排序模型需在严格时延下同时刻画异构特征交互、长期用户行为与多场景依赖。现有架构把序列与非序列特征分模块处理,双向信息交换受限;对所有语义 token 直接套同质 self-attention,在两类信号 effective-rank(eRank)差异大时并不高效;共享表示还会忽略场景特异模式、引发负迁移。HiRank 在统一 backbone 内融合门控序列 attention 与异构特征交互,实现两类表示双向融合;再用 scenario-aware aggregation 把异构低阶 token 压缩为紧凑表示,经不同学习投影生成场景感知 composite token,获得互补全局视图与更均匀信息密度,支撑更有效的高阶 self-attention。工业级数据实验显示性能随参数量良性扩展,具体数值未报告。

Lossless Compression of Proximity Graph Indexes for Efficient Approximate Nearest Neighbors Search(未披露)

HNSW 等图索引是向量检索的骨干,但内存占用已成基础设施瓶颈:向量量化压缩数据向量后,图的邻接边结构反而主导总内存。难点在于解压发生在查询期——沿图导航时,省内存不能以延迟为代价。作者提出面向在线 HNSW 路由的压缩方案:用离线图置换人为制造结构局部性,从而可对邻接表使用 Stream VByte 等 SIMD 加速整数压缩器,在查询中即时快速解压。多样真实负载上,压缩率最高 52.7% 且延迟损失可忽略,优于现有 SOTA;该技术已在 eBay 生产部署,边存储降低最多 44.3% 而查询延迟无退化。这为图索引内存瓶颈提供了可直接落地的无损压缩路径。↗

Can Complementary Signals Bridge Similarity Islands? Manifold-Augmented Graph Embedding for Multimodal Recommendation(未披露)

多模态推荐用丰富物品特征缓解数据稀疏,但基于相似度的图构建与传播偏好语义相近的替代品而非功能互补品;当行为关联连接语义相距较远的物品时,互补信号在几何上被孤立,形成碎片化的“相似性孤岛”,标准传播还会引发语义漂移。作者提出 MAGE,将互补性建模解耦为离线几何形变与在线拓扑传播:离线以 Soft Conceptor 机制提取互补感知残差方向,在局部间隙保持约束下注入表示,并融入共同购买证据以控制扰动幅度;在线采用非对称双流 GNN,以视觉特征为稳定锚点、增强文本特征为柔性探针,经自校准跨模态机制融合。四个 Amazon 数据集上相对强多模态基线取得一致提升(具体幅度未报告),表明几何感知的互补建模可缓解相似性孤岛。↗

GearUp: DAG-aware Acceleration for Serverless Inference Serving via Slack-guided Pre-loading(未披露)

Serverless 平台日益承载以 DAG 建模的 ML 推理工作流,每个 ML 节点运行前需加载库、模型权重与 CUDA kernel,开销沿依赖路径累积并把初始化推上端到端关键路径。已有工作各管一半:DAG 无关预加载会准备请求可能到不了的节点,浪费主机与 GPU 内存;DAG 感知服务只做函数级路由与扩缩容,未触及节点内加载阶段。GearUp 剖析各节点加载阶段,将其调度进 DAG 暴露的 slack 时间,以上游执行掩盖初始化,并在请求内与跨请求复用实例;概率式流量自适应 keep-alive 在突发负载下平衡内存与冷启动风险。在 NVIDIA L40S 的 AMBER Alert 与 FINRA-ML 工作流上,端到端延迟中位数较 SMIless 降低 64.5% 与 75.9%,相对冷执行中位加速 3.1x 与 10.0x;相比 InstaInfer 的急切预加载,GPU 与主机内存分配最多降低 83.9% 与 94.6%。↗

CASH: A Capability-Aware Subsidy Harness for Advertiser Subsidy Allocation(未披露)

论文首次从广告运营视角研究广告主补贴分配(ASA),将其形式化为平台整体补贴率约束下、以总折后收入最大化为目标的账户级折扣档位选择,并指出 LLM 预测 Agent 与数值响应模型的可靠性因账户和补贴档位而异、单账户估计误差会通过共享预算传播影响其他账户。CASH 以基于真实结果的能力许可统一“估计器协作—可靠性控制—共享预算分配”:LLM 预测 Agent 单次调用输出全档位曲线并与数值响应模型互补,能力插件按局部误差、核加权经验支持度与基于 Beta 后验 UCB 的区域准入签发逐档位许可,分配建模为带补贴率上下界的多选背包并用对偶价格搜索与交换/Fallback 修复求解,EPCG 以价值加权许可覆盖率增益为目标形成“证据获取→能力演化”闭环。为期一个月(2026-09-14 至 10-14)的线上实验(60%/20%/20% 分流)中 CASH 较 Control 账户收入 +15.35%、ADVV +19.86%,补贴率基本不变,7 日/14 日 LTV 分别 +15.98%/+15.24%、14 日留存 +1.57pp;离线 663,312 条账户-天数据上较 Tool 的 MAE 降低 2.20%、RMSE 降低 4.11%,仅用 6,119 次 LLM 调用(为全量配置的 15%),有许可时非许可档位扰动引发的其他账户档位变化从平均 0.510 次降为 0。结论是基于真实结果的能力许可可在共享预算下有效协同 LLM 与数值模型,在几乎不变的补贴率下同时提升收入、ADVV、收入质量、LTV 与留存,为账户级补贴分配提供了兼顾估计可靠性、预算约束与反馈成本的工业范式。↗

Dynamic Click Destinations: Personalizing Post Ad-Click Landing Experiences(未披露)

对站外广告点击变现的应用而言,点击后的落地页、解析为网页还是应用、原生界面还是外站等多个杠杆共同影响用户与商业结果,统称 post ad-click destination automation。最优目的地因用户、广告主、位置、设备与推断意图而异,静态策略次优。DCD 是生产级个性化框架,在每次符合条件的站外点击时选择目的地,以最大化 Advertiser Value(AV,按价值加权的转化结果)。其学习目标从 post-conversion destination inference,演进到两任务 destination-conditioned 转化预测,再到单任务策略模型直接预测两个目的地孰优,并以高容量 critic 导出的 A2C 式软标签训练。web-vs-app 案例的大规模在线 A/B 显示按点击个性化有效,具体提升数值未报告(摘要截断)。↗

Improving Ads Ranking Models with Auxiliary Supervision: Techniques and Insights(未披露)

广告排序中 CVR 预测至关重要,但传统模型仅以购买等转化事件为监督标签,这类事件稀疏或缺失,限制模型学习。本文贡献有二:一是案例研究,系统考察转化事件之外多样用户事件与元数据信号提供的辅助监督;二是最大化这些信号价值的建模技术,包括提升辅助信号精度的 linearized labels、便于训练任务分解的 split architecture,以及稳健处理噪声辅助数据的 Label Combination(LaCo)。实证显示上述方法可为排序模型带来可测量提升,体现其在推荐系统及相关领域的通用性与有效性;具体提升幅度未报告。↗
横向对比表:
方案
机构
提升幅度
部署状态
数据规模
场景泛化
置信度
D1026-04 业务规则级联查询
未披露
未披露
企业销售订单系统
未披露
付款条款/发货点/销售归属字段预测
中
D1027-02 存储预算下的稀有物品召回
未披露
未披露
未披露
固定嵌入存储预算
量化/蒸馏/高秩低精度三方案对比
中
D1027-03 生成转评分语义标注
LinkedIn
未披露
工业(LinkedIn)
未披露
多标签打包 YES/NO 标注
中
D1027-04 有效秩缩放特征交互
未披露
未披露
未披露
未披露
异构特征交互/长期行为/多场景
中
D1028-02 近邻图索引无损压缩
未披露
未披露
未披露
未披露
HNSW 等 ANN 索引内存压缩
中
D1028-05 流形增强图嵌入
未披露
未披露
未披露
未披露
多模态推荐(相似性孤岛)
中
GearUp(D1029-02)
未披露
未披露
Serverless 推理服务
未披露
DAG 推理工作流预加载
中
CASH(D1030-03)
未披露
未披露
广告运营(账户级补贴)
未披露
广告主补贴分配
低
D1101-04 动态点击落地页
未披露
未披露
站外广告点击后链路
未披露
点击后落地体验个性化
中
D1101-05 CVR 辅助监督
未披露
未披露
广告排序(工业)
未披露
CVR 预测
中
趋势判断: 未来 6–12 个月,工业推荐的边际收益会更多来自“系统账本”而非单模型:存储/索引压缩(D1028-02)、serverless 调度(GearUp)与补贴分配(CASH)这类工作会与排序模型联合优化。LLM 在标注侧从生成转评分(D1027-03),排序侧则更多借助辅助监督(D1101-05),可审计性与成本会决定其上线形态。投放链路的后点击优化(D1101-04)预计成为下一个被系统化拆解的对象。

四、检索与 RAG:成本、结构与治理

本周检索侧的共同转向是:不再孤立追求排序精度,而是把“结构何时启用、证据是否值得读、系统是否可治理”纳入同一设计。WeSearch 用统一模型中心框架替代文档固定分工,ArchOR 证明结构信号需要仲裁而非全量替换(+2.68pp Macro 但 −1.91pp Micro),Search When Needed 把“搜索/不搜索”变成可监督决策(搜索次数 −6.8%)。与此同时,政府 RAG 的确定性数值校验(Governed Sovereign RAG)、/llms.txt 的安全评估与主动记忆召回的规模代价,说明治理与成本正在成为检索系统的一等公民。

The Price of Scale in Proactive Memory Recall(未披露)

长期在线助手需要在每一轮判断记忆库中是否有值得主动打断用户的内容;作者指出,这本质上是一个难度随库规模 N 增长的 multiple-testing 问题。在 LongMemEval 的流式回放中,按 N=8 调至 5% 误报的相似度阈值,到 N=2048 时误报升至 84-100%,而且这一现象跨 embedding 模型与线索类型都成立。作者进一步证明,对 N 个独立无关分数取最大值、误报率为 alpha 的门控,其单条误报率约为 -ln(1-alpha)/N,命中率则被固定在单比较 ROC 的最左端;其有限池形式能将标签调优阈值的命中率预测到 6.1 个百分点以内。在同等误报水平下,所提 score 比原始 cosine 多召回 14-26 个百分点;cue-swap conformal gate 具有有限样本误报保证,以用户未过滤历史为背景时,LongMemEval 的误报为 3-6%。这说明主动记忆应依赖经校准的门控,而不能只靠单一阈值。 ↗

RefinedGAW: A Refined German Academic Web Dataset(未披露)

现有最大的开放德语文本数据集多来自广域网页抓取,规模虽大,但对特定领域的覆盖有限。作者构建 RefinedGAW:它基于德国学术网的 26 次半年度抓取,是一个经过处理与标注的资源,共包含 1.22 亿份文档、3,140 亿 token,并保留每段文本完整的抓取与采集历史。标注为学术研究的文档占德语 RefinedGAW 跨 HTML 与 PDF token 的 84%,即 876 亿 token,超过 FineWeb2 与 FinePDFs 德语子集合计 649 亿 token,而这两个数据集的总规模约为 RefinedGAW 的五倍。资源还包含大量教育、数学密集与专家导向的内容,商业偏置较低;88% 的 HTML 与 PDF 文档在三个参考数据集中没有近重复候选,支持互补覆盖。作者同时发布可查询的元数据索引与 rehydration 工具,便于细粒度数据选择与源文档检索。 ↗

A Domain-Aware Pipeline for Structured Extraction and Retrieval-Augmented Question Answering over arXiv Superconductivity Literature(未披露)

材料物理文献的增长速度已超出研究者的手工阅读能力,而多数检索工具依赖关键词匹配或通用问答,忽略了 PDF 文件中的领域结构。本文提出端到端流水线,将 arXiv 超导论文转为结构化可检索语料:它包含主题语料构建、对材料与超导转变温度的领域感知抽取,以及融合稠密 chunk embedding 与结构化出版字段的混合检索。抽取部分在 59 种超导材料的 gold set(其中 46 种有实验确认的临界温度)上评测;在 33 种材料的主要正例子集上,领域感知的 pair 准确率为 45.5%,regex 基线仅为 9.1%。检索与生成则在固定 qwen2.5:7b-instruct、100 题基准上比较:BM25 的 Recall@5 最高(47%),而在混合检索中加入抽取元数据并未带来提升(39% vs 41%),作者将之归因于抽取字段中的噪声。这说明抽取质量仍制约该场景下 RAG 的收益。 ↗

Governed Sovereign RAG for Public Administration: Tripartite Epistemic Routing, Facet-Guided Clarification, and Deterministic Numeric Verification in Citizen Services(未披露)

政府服务对话助手需兼顾监管确定性(收费零容错)、数据主权(禁用商业云)与大量表述不足或越界提问。作者在墨西哥特拉斯卡拉州官方门户部署主权 RAG(1,143 项流程、924 个机构目录):两阶段三元认知门以 clarify_policy 与 AnyJev 上的 Boltzmann 分布在 SPECIFIC 作答、CLARIFY 追问、ABSTAIN 弃答间仲裁;生成后确定性数值校验配 SHA-256 缓存失效,确保费用与时效数字均来自官方检索记录。基准严格 Top-1 达 86.50%(5 折 CV 86.41%±7.50%,较二分类基线 +10.00pp);8 周生产中 89.47% 流量由 Level 0 模板解决(p50 0.665s),Level 1 的 40 次请求零金额幻觉(95% 上界≤8.81%),为强监管政务问答提供了可审计范式。↗

Manifest-Assisted Retrieval in Artificial Intelligence Search: Evidence Gaps and a Security Evaluation(未披露)

AI 搜索中的 /llms.txt 等 manifest 辅助检索存在证据缺口:现有来源无法在普通检索固定时分离消费 manifest 的增量安全或效用。作者做非系统性审计,截至 2026-08-16 覆盖 39 个来源并追踪更新至 10-14;15 工具定向研究在单端点 45 次试验中未见自动请求;非概率日志研究显示 2026 年 5 月检测到文件的域名中 97% 无请求记录。研究区分发布、抓取、模型使用与动作四环节,定义五条威胁路径与配对的安全—效用估计量,并以 30 个解析器 fixture 做确定性前置控制。缩减试点含 8 站点、5 条件、24 任务与 120 条真实模型响应,普通证据固定;冻结自动评分在 21/24 条原始对抗响应中识别出攻击者目标采纳,另 1 条未决,仅 URL 对抗条件无已知采纳。该工作可区分 manifest 内容效应与发布、发现及下游执行,完整检索与 agent 评测仍开放。↗

Contextual Embeddings Beyond the Gold Chunk(未披露)

上下文嵌入结合文档全局语境来表示 chunk,但现有训练与评测通常假设相关文档只含一个相关 chunk。本文认为真实检索不仅要找到分散在多个 chunk 的答案,还要给出验证答案所需的证据。为此提出 pplx-embed-v2-context:从查询感知的上下文压缩模型蒸馏分级 chunk 相关性,摆脱 gold-chunk 标签且使训练目标与切块方式无关;采用视觉—语言骨干,发布 9B 与 0.6B 两个嵌入空间兼容的版本。评测侧提出两个同时标注答案 chunk 与验证证据 chunk 的基准:受控诊断的 Context-bench 与来自真实搜索查询的 Q2D-Chunk,并以公开排行榜促进研究。9B 模型在两个基准与 ConTEB 上均取得新 SOTA,视觉检索能力继承自视觉—语言基座;作者提出把切块扩展到图像输入,并在视觉 ViDoRe 上达到 dense retriever 的领先水平。具体数值摘要未报告。↗

Beyond LLM Wrappers: Context Engineering and the Three-Engine Architecture for Reliable Financial AI(未披露)

针对金融场景中“决策型”提问无法由 LLM 单独可靠回答的痛点——模型缺乏可靠的财务关系记忆、计算不可复现、易生成貌似合理但无依据的声明,论文提出生产级三引擎架构(金融知识图谱 + 确定性优化引擎 + 多智能体 LLM 层),其核心贡献是连接三者的协调层,作者称之为上下文工程(context engineering)。知识图谱作为带时间戳与来源血缘的企业记忆支持多跳推理与时序查询,优化引擎(生产以 OR-Tools 为主)执行付款排程、现金分配、折扣捕获、催收排序等可复现计算,多智能体 LLM 层由查询分析、上下文装配、优化调用、响应生成、验证五个 agent 组成;上下文工程先对查询分类路由,再执行实体消歧、子图选择、时间过滤、租户适配与上下文窗口预算分配,返回前将生成声明中的实体、数值、时效、可行性与引用逐项对照图谱记录和求解器输出验证,并保留数据血缘、流程溯源、决策理由、时间有效性四层审计轨迹。证据来自约 11 个月的 15 个生产部署(覆盖制造、SaaS、服务、电商、贸易),未报告公开数据集或标准基准、且明确为观察性证据——单智能体 LLM 流水线的金融建议幻觉率约 7–9%,图谱支撑的多智能体验证在生产中将其降至 1% 以下,部署时间也从约六周缩短到约两周。结论是金融上下文工程根本区别于标准 RAG——必须检索结构化关系而非仅语义相似的文本块,并满足时间有效性、精确数值证据、访问控制与声明验证;三引擎把事实与计算外置到图谱和求解器,使金融建议可复现、可追溯、可审计,但验证收益仍属观察性证据,评估与基准等仍是开放问题。↗

Structure-Aware Skill Retrieval and Arbitration for Optimization Modeling(未披露)

论文把检索识别为 LLM 优化建模智能体中“原型中心化技能库”的瓶颈:原始缓存技能向量会模糊原型边界,纯语义技能卡则让结构不兼容的工作流显得适用,论文提出的 ArchOR 仅改变查询到技能的路由方式。方法上,CARL 用低秩原型残差(λ=0.35、残差秩 r=16)把缓存向量的近邻排序拉向结构原型,S3R 为每个技能附加开放维度结构签名(problem_class、var_pattern、constraint_family、objective_form、solver_backend),按加权 Jaccard 重叠优先排序,仅对前 K=8 个候选做 LLM 语义重排,并用保基线仲裁规则决定是否替换原选择器。在 OptiBench(605)、OptMATH-Bench(166)、Mamo.C(211)、IndustryOR(100)、ComplexOR(18) 共 1,100 题上,使用同一 DeepSeek-V4.1-Flash 骨干与冻结技能库评测求解器验证的 Pass@1,ArchOR 相比 OptSkills 提升 Macro-Avg 2.68pp(至 60.61%)与 Micro-Avg 1.64pp(至 65.00%),多答对 18 题(697→715),McNemar 检验 p=0.0009,五个基准全部有提升,ComplexOR 增幅最大(5.55pp);CARL 留一法检索诊断将 Hit@1 从 0.607 升至 0.804,但直接全量替换基线选择器反而使 Micro-Avg 降至 61.45%(-1.91pp)。论文据此把结构检索定位为“选择性证据”而非普遍替代:直接替换有害,仲裁能在保留基线成功的同时收获结构收益,1,100 题中 374 题走结构分支、726 题保留基线分支。↗

Search When Needed, Proceed When Reliable: Metacognitive Reliability Supervision for Efficient Agentic Search(未披露)

论文指出用最终答案正确性或轨迹级反馈监督搜索决策存在“性能与可靠性错配”——不搜索而答对可能只是无依据的幸运猜测,有信息量的检索也可能因后续推理失败而答错,因此提出用中间推理状态中局部结论的可靠性来监督“搜索”与“不搜索”决策的元认知框架。方法以序列级不确定度(结论 token 的平均负对数似然)衡量局部可靠性,并为每个骨干拟合不确定度到经验准确率的映射 f_m(50,000 个状态、每状态采样 32 条结论、100 个等宽区间核平滑),对不搜索决策计算 S_cur = R_ns − b_m,对搜索决策用匹配探针(保持状态与查询相同、只改变是否含检索证据)计算 ΔR,再将两个动作特定过程奖励与答案奖励、格式奖励相加输入 GRPO。在 7 个 QA 基准上,7B 模型平均 CEM 为 69.3,比最强基线 HiPRAG(67.2)高 2.1 分且全部数据集均有提升,搜索次数单跳减少约 20.9%、多跳增加 6.6%、总体减少 6.8%(1.64 vs 1.76);消融中完整方法为 65.9,仅当前状态分数 63.4、仅搜索动作分数 62.3、用原始置信度替换映射 61.9、无过程奖励 61.2。结果表明两个动作分数互补、经验可靠性映射优于原始置信度,且增益可跨模型规模与家族迁移(Qwen2.5-3B 为 65.9、Llama-3.2-3B 为 66.1),实现按任务类型重分配检索的准确率–效率权衡。↗

WeSearch: A Unified Model-Centric Retrieval Framework for WeChat Search(未披露)

微信搜索需要在大规模、持续变化的内容上做检索。现有方法给文档分配固定的层次化 Semantic ID,隐含假设每篇文档沿单一连贯语义路径,这一假设对多主题文档往往失效。WeSearch 改为先检索查询相关簇,再在查询特定的候选空间内对原子文档精排,从而把候选剪枝与细粒度相关性建模解耦;配合相关性感知训练、紧凑文档表示与增量索引更新,支持周级乃至日级模型刷新。它作为主语义检索路径与词法语法树并行部署,在数亿至数十亿文档语料上取得稳定的一周 A/B 增益;一个月全流量 A/B 显示 CTR +0.68%、人均文章点击 +2.27%,检索资源成本降低 41%,图文检索延迟减少 19 ms。现已 100% 承载微信搜索生产流量。↗
横向对比表:
方案
机构
提升幅度
部署状态
数据规模
场景泛化
置信度
D1026-02 主动记忆召回
未披露
未披露
长期助手(研究)
未披露
主动打断式记忆召回
中
RefinedGAW(D1026-05)
未披露
未披露
数据集
未披露
德语学术网页语料
中
D1026-06 超导文献 RAG
未披露
未披露
领域流水线
未披露
arXiv 超导文献结构化抽取+QA
中
Governed Sovereign RAG(D1028-03)
未披露
未披露
公共行政服务台(场景)
未披露
公民服务问答/数值确定性校验
中
D1029-03 /llms.txt 安全评估
未披露
未披露
未披露
非系统性审计
manifest 辅助检索安全性
低
D1029-06 上下文嵌入
未披露
未披露
未披露
未披露
文档级上下文嵌入评估
中
D1030-04 三引擎金融 AI
未披露
未披露
生产级架构(提出)
未披露
金融决策问答
低
ArchOR(D1031-02)
未披露
+2.68pp Macro-Avg 至 60.61%;全量替换 Micro-Avg −1.91pp
未披露
1,100 题
优化建模技能检索(374 题结构/726 题基线)
高
Search When Needed(D1031-04)
工业界(未披露)
CEM 69.3(+2.1);总搜索次数 −6.8%
未披露
7 个 QA 基准
7B 模型检索决策
高
WeSearch(D1101-01)
微信搜索
未披露
大规模内容搜索(微信)
未披露
持续演化内容检索
中
趋势判断: 未来 6–12 个月,检索系统会分化为“重治理”与“轻检索”两条路线:政府/金融场景把确定性校验、权限与来源审计做进系统主干(D1028-03、D1030-04),通用 Agent 则用元认知监督决定是否检索(D1031-04)。结构信号将从默认开启变为按查询仲裁(ArchOR 的 374/726 分流是早期样本),而记忆的规模代价(D1026-02)与领域语料建设(RefinedGAW)会推动“领域语料+可寻址记忆”取代全网粗放抓取。

五、评测、基准与用户仿真:从单点正确到系统后果

本周评测类工作密集指向同一结论:现有标尺测不到系统真正在意的东西。ProSearch 在多约束协议检索上把最强检索器的 nDCG@10 压到 0.290,Coverage Under Contradiction 与 DuSE-Bench 分别补上否定/矛盾覆盖与跨会话演化文档的空白;LOL 的标签漂移与 Lost in the Latent Space 的 r=−0.473 则说明基准本身可能在误导。用户仿真侧,BrowseFlow 用离散流匹配提升行为模拟保真度,Wrong Together 却警告仿真器存在共享偏差;AutoAnalysis 以 420 篇论文、1,955 个效应量把“人机协作”拉回可重跑的元分析。

$Δτ$-Bench: Pushing Agents Toward a Moving Capability(未披露)

现有 agent 基准大多假设工具生态处于静态,没有考察服务独立演化、工具消失或被更优方案替代、以及在文档噪声下的适应能力。作者提出 Δτ-Bench:涵盖 42 个领域、1,588 个经校验的多轮任务,并通过保留能力的变换生成六个连续生态状态,同时检验 agent 能否主动发现高效工具路径,以及能否及时修订已积累的程序性知识。评测显示,即使最强的模型或 harness 也只有 42.3% 的任务成功率;现有技能学习方法的初始增益,也无法稳定转化为生态演化过程中的适应力。为此作者提出 Steward,通过增量技能维护与任务执行中的动态供给,联合管理工具和程序性知识;实验表明,它在生态变化下能保持更高成功率、更低维护开销,并改善中断工作流的恢复情况和高效替代方案的采纳。 ↗

Useful Diversity or Hallucinated Variety? Persona-Conditioned Synthetic Query Generation for E-Commerce Search(未披露)

合成监督可为新搜索域冷启动语义解析器,但提示带来的多样性只有在生成忠实于结构化意图时才有用。作者在 47 字段英国汽车 schema 上,用 6 个 LLM、9 组 persona 条件提示族生成 118,098 条合成 pair,对照 1,214 条人工标注与 15,304 条生产 query。IPIP 人格组合在全部四组匹配对比中提升 parser F1(Holm 校正 p<.001),三种组合在完整 2^3 网格上均有正主效应;syntax 条件是让生成靠近真实流量的关键轴。对齐指标 sKL 可作为 parser F1 的无标注代理(ρ=-0.917)。LLM 委员会复核所有 parser 都漏掉的 927 条 query,判 37% 为幻觉;含 syntax 的四族幻觉占比 38-42%,仅 IPIP 最低为 28%。

Coverage Under Contradiction: A Benchmark for Negation-Aware Retrieval(未披露)

覆盖率评测基准衡量检索证据是否覆盖满足信息需求所需的各个 nugget,但现有基准多基于预训练检索器可能已知的事实性论断,语料证据与参数化知识矛盾时检索器能否找到仍是空白。作者为基于 nugget 的覆盖率基准注入受控矛盾:为每个 nugget 构造否定版本,在保留上下文的前提下改写支撑文档使其支持该否定。由此在 CoverageBench 上构建 CoverageBench-Negate,覆盖 6 个数据集、约 63,000 个原文–改写证据对,每对附构建元数据,并提供全量族外 LLM 判断与抽样人工审核。基线实验中 BM25 区分原文与近孪生改写证据显著优于稠密检索器 Qwen3 与 Jina,后者接近随机(具体数值未报告)。基准与构建材料已在 Hugging Face 开源。↗

What Does LOL Measure? Hidden Label Shifts in Low-Light Enhancement Benchmarks(未披露)

LOL-v1 与 LOLv2-Real 是监督式低光增强的标准基准,一些领先方法随评测脚本附带手工测试期调整。作者用统一指标实现审计 8 种方法的 18 个公开 checkpoint,复现所有已发表数字误差在 0.09 dB 内,发现测试标签与训练标签不一致:15 张 LOL-v1 测试标签渲染不同,相同拍摄在 LOLv2 中亮度一致但饱和度低 1.48x,且 LOL-v1 训练标签与 LOLv2 渲染相符;LOLv2-Real 测试集为连续图像 690–789,标签比训练暗 14%(Cliff's delta = -0.45,p < 1e-12),无标签训练的方法测试最多高 5.5 dB;15 张 LOL-v1 测试输入均重现于 LOLv2-Real,12 张在其训练集。测试专用残差中位在无偏移的 LOLv2-Syn 为 0.00 dB、LOL-v1 为 0.37 dB、LOLv2-Real 为 0.92 dB(最高 3.9 dB);测试集选 checkpoint 使从零训练模型虚高 0.9–2.0 dB。结论是基准存在隐藏标签偏移,公开的测试期设置与补偿这些偏移相符。↗

Leaving, Staying, or Living There? Duration Commonsense Reasoning with Human-LLM Co-annotations(未披露)

后院园艺暗示长期居住,而入 Airbnb 更可能只是停留数日——这类时长判断对人类移动性、旅行行为与社会语境理解很重要。但社交媒体帖子很少明说时长,只能从噪声较大的文本、视觉与上下文线索推断。本文研究视觉语言模型是否具备这种时长常识,构建了由人类与 LLM 共同标注的带地理标签推文语料作为测试床。结果显示,即便使用多轮 Chain-of-Thought 提示,最先进模型仍难以完成时长推断;错误分析表明模型常无法整合关键上下文信息,或过度依赖显著视觉细节而忽略细微 hashtag 与语义差别。摘要未报告具体性能数字,但结论强调上下文感知的多模态理解仍存在显著挑战。↗

Lost in the Latent Space: How Code Embeddings Represent Functional Intent and Implementation Fidelity(未披露)

论文系统考察单一代码嵌入能否同时承载功能抽象与实现保真,填补了现有评估只关注下游任务性能、忽视内部表示的空白。方法上构建表示感知的评估框架:在冻结嵌入上训练轻量探针(算法标签多标签 sample-F1、作者归属 macro-F1),配合零样本最近邻检索(Hit@10)与 GPT-5.4 xhigh 生成的语义保持扰动,覆盖 14 个 SOTA 模型(4 个代码专用 + 10 个通用)。实验显示算法标签与作者归属 F1 跨模型呈负相关 r=−0.473(C++ −0.392、Java −0.583、Python −0.398),两任务 top-5 模型完全无重叠;跨语言功能检索 CodeR 达 0.996,但作者检索仅 0.481,Llama-Embed-8B 则达 0.973。这说明"抽象—保真"张力是系统性现象,嵌入模型应按下游任务最相关的软件属性而非"代码专用/通用"标签来评估与选择。↗

ProSearch: Benchmarking Multi-Constraint Protocol Retrieval in Experimental Science(未披露)

论文提出 ProSearch,这是首个面向实验科学多约束协议检索的基准,填补了现有基准缺少对“多约束联合绑定”能力系统性评估的空白——查询基于真实实验记录与专家模板,覆盖 60 个实验字段及其依赖关系,每条查询含 3–5 个显式约束(含数值与否定约束),共构建 1,515 条查询、六个实验领域。方法上采用专家引导的流水线:专家定义字段、依赖与角色级模板,GPT-5.2 抽取结构化协议记录并归一化,GPT-5.4 生成自然语言查询并判定相关性,Claude Sonnet 4.6 从忠实性、清晰度、检索有用性三维质检,且段落相关当且仅当同一实验配置下该段落同时满足全部约束,以避免拼接不同配置造成的假匹配。在 1,515 条查询上评测 19 个检索器(稀疏、通用稠密、科学、推理导向),以 nDCG@10 为主指标,最佳检索器 Qwen3-Embedding-8B 平均仅 0.290,重排序后为 0.474,结构化诊断与混合诊断分别达到 0.774 与 0.814,查询改写收益有限(最佳 DIVER-QExpand 仅 +0.027);对 300 个查询-段落对的人工错误分析显示,90% 的 top 非相关段落至少违反一个约束。结论指出,现有检索器(包括推理导向模型)难以在同一实验配置内联合满足全部约束,联合约束绑定才是核心瓶颈,而显式约束匹配提供了强排序信号,ProSearch 因此为科学检索系统与下一代科学智能体提供了可系统评估的测试平台。↗

BrowseFlow: Sparse Event Flow Matching for Generative User Simulation(未披露)

论文针对同一推荐流下同一用户会产生不同浏览轨迹的随机响应问题,以及点击、点赞等关键事件高度稀疏(三个数据集中正反馈仅占有效曝光的 1.52%–5.96%),提出生成式用户模拟方法 BrowseFlow,以浏览范围(extent)与有序关键事件序列表示完整浏览响应。方法上采用 extent-first 分解 p(D,E|X)=πη(D|X)pθ(E|D,X_D):先用 session Transformer 与 history Transformer 对可达浏览范围打分并采样 D,再屏蔽深度 D 之后的物品进行二次编码,随后用连续时间马尔可夫链对有序事件序列做离散流匹配,插入操作的转移率分解为总强度与归一化的间隙、深度、事件标记三因子,事件数量由插入过程隐式学习而非单独计数头预测。在 TaobaoBrowse(100K/10K/20K,关键事件率 5.48%)、KuaiRand-Like(1.52%)与 AdSERP(5.96%)三个数据集上,BrowseFlow 均取得最优 ES 与 Count W1:TaobaoBrowse ES 0.07264(最优基线 DBN 0.10847)、Count W1 0.0697(最优基线 UserSim 0.2595),KuaiRand-Like 为 0.02703/0.0207,AdSERP 为 0.14271/0.1215;但 TaobaoBrowse 上 AUC 0.6126 低于多个局部预测器。消融显示稀疏表示与插入式流匹配互补,完整模型优于稠密自回归(0.07815、0.45158),说明强局部预测能力并不必然带来对条件响应分布的准确建模,论文由此把稀疏关键事件与随机响应统一为基于浏览范围和离散流匹配的结构化条件生成问题。↗

Recommendation Feedback Loops Shape Urban Income Segregation and Venue Visitation(未披露)

论文针对平台仅用离线准确率评估位置推荐系统、无法刻画反馈循环长期城市后果的问题,构建了基于真实移动数据、含距离与容量约束的长期仿真框架,量化体验性收入隔离与场所消失。方法上基于四个美国都市区细粒度 GPS 移动数据模拟居民按观测日程进行餐饮出行,推荐受出行距离与场所有限容量约束,系统每周用过去四个月轨迹重训练形成人–AI 反馈循环,并与仅训练一次的 out-of-loop 基线对比,覆盖 UR-POI、ItemKNN、UserKNN、Markov 四种算法,另测基于 CAPRI-FAIR 线性重打分的 tail-boost 干预。实验显示循环内最后六个月 21–71% 训练场所无访问(out-of-loop 为 5–30%),其中 55–75% 由重训练造成且损失集中于低活跃、低收入社区;UR-POI 准确率最高(波士顿 NDCG@20 .322)但隔离也最高(S_i .353,观测值 .291),tail-boost 在 15% 准确率损失预算内使场所消失下降 54–75%、三种算法下隔离下降 4–14%,活动密度每增加一个标准差,场所无访问几率降低 48%(OR .52)。论文由此指出反馈循环中越准确的算法使人越隔离,仅按离线准确率选择算法会带来系统性的城市社会后果,主张影响评估应纳入反馈循环并报告隔离与场所消失指标。↗

AutoAnalysis: An automated, self-updating meta-analysis of human-AI collaboration(Harvard Business School、MIT Sloan School of Management)

AutoAnalysis 针对人机协作实证结论相互矛盾、传统元分析高度依赖人工且难以吸收新证据的痛点,构建了一个自动化、可定期重跑的平台,让前沿 AI 代理完成检索、筛选、全文审阅、效应量提取与综合的全流程。方法上,gpt-6.1-sol 负责清洗与摘要筛选、gpt-6-astra 负责全文审阅与效应量提取、Claude Fable 5.1 负责审计,并通过 OpenAlex API 做前向与后向引文滚雪球扩展语料,以 Hedges' g 为效应量、采用三层随机效应模型配合稳健方差估计与 Knapp–Hartung 校正,分别度量人类增强(人机组合 vs 人类单独)与人机协同(人机组合 vs 人类或 AI 中较优者)。2026-10-26 数据版本综合 420 篇论文的 1,955 个效应量(滚雪球得 15,495 条记录、摘要筛选纳入 2,403 篇),人类增强 g = 0.53(95% CI [0.45, 0.61],p < 0.001),人机协同 g = −0.35(95% CI [−0.52, −0.18],p < 0.001,基于 171 个效应量),异质性 I² 分别为 92.9% 与 93.8%。结论是人机组合平均显著优于人类单独、却显著劣于人类或 AI 中较优者,"提升人类表现"与"实现人机协同"是两个不同目标,评估协作须同时对标人类与 AI 单独表现——这一模式与 2024 年主要基于非生成式 AI 的元分析一致,即便研究几乎不重叠,说明生成式 AI 能力更强并未消解协同难题。↗

DuSE-Bench: Benchmarking Joint Reasoning over Evolving Dialogue and Documents(未披露)

持久化 Web 信息助手必须同时结合演化中的文档事实与跨会话确立、修订的用户需求,但两源变化如何影响响应要求与证据归因,尚缺乏系统评测。作者提出 DuSE-Bench,含五个场景共 1,000 个任务,其中 700 个任务所需前提同时源自对话与文档;用演化的 Support Graph 指导构建,保留更新事实与复用结论到原始轮次、段落的链接,并区分 grounding source 与状态依赖,分别评测响应内容、响应类型与来源归因。11 种基线配置在联合 grounded 任务上内容准确率最高仅 56.7%;内容准确率提升可能伴随响应选择变差,内容正确也常缺完整证据归因;匹配证据替换实验表明,替换一源证据的效果取决于另一源的支持。结论呼吁协同对话记忆与文档检索。↗

Wrong Together: Shared Bias in User Simulation(未披露)

用户模拟器可代替真人估计研究结果,但使用前需评估其可靠性。作者检验模拟器之间的分歧能否识别不可靠估计,评估对象为 6 个语言模型模拟器与 GlobalOpinionQA 中 12 个国家、60 个问题的既有回答。分歧对组间差异的失效预测优于对单组响应比例的预测(AUC 0.87 对 0.71);模拟器共有的错误对该信号不可见。当共享错误同等影响两组时会在比较中抵消,这解释了组间差异结果更强。作者用一组群体估计共享偏差并从另一组预测中减去,修正降低预测误差且不改变分歧。回顾性分析中,将分歧最大的 20% 组间比较转交人工评估后,剩余有结论判断中 54.8% 被判无效,此前为 63.7%。↗
横向对比表:
方案
机构
提升幅度
部署状态
数据规模
场景泛化
置信度
Δτ-Bench(D1026-01)
未披露
未披露
基准
未披露
工具生态演化下的 Agent 能力
中
D1027-06 Persona 合成查询
未披露
未披露
未披露
未披露
电商搜索语义解析监督
中
Coverage Under Contradiction(D1028-06)
未披露
未披露
基准
未披露
否定感知检索覆盖
中
D1029-04 LOL 标签漂移
未披露
未披露
基准审计
LOL-v1、LOLv2-Real
低光照增强评测
中
D1029-05 时长常识推理
未披露
未披露
未披露
人机协同标注
居住/停留/到访时长判断
中
Lost in the Latent Space(D1030-06)
未披露
功能意图与实现保真负相关 r=−0.473
未披露
未披露
代码嵌入表示评估
中
ProSearch(D1031-01)
未披露
最佳 nDCG@10 0.290;90% top 非相关段落至少违反一个约束
基准
1,515 条查询 / 19 个检索器
实验科学多约束协议检索
高
BrowseFlow(D1031-03)
工业界(未披露)
ES 0.07264、Count W1 0.0697(均最优)
未披露
TaobaoBrowse
生成式用户行为模拟
中
Recommendation Feedback Loops(D1031-05)
学术界(未披露)
场所消失下降 54%–75%(15% 准确率预算内)
仿真研究
四城市长期仿真
城市 POI 推荐的社会后果
中
AutoAnalysis(D1031-06)
Harvard Business School、MIT Sloan
人类增强 g=0.53;人机协同 g=−0.35
自动化元分析平台
420 篇论文 / 1,955 个效应量
人机协作元分析
中
DuSE-Bench(D1101-02)
未披露
未披露
基准
未披露
跨会话演化对话+文档联合推理
中
Wrong Together(D1101-06)
未披露
未披露
未披露
未披露
用户仿真共享偏差
中
趋势判断: 6–12 个月内,评测会从静态榜单转向“可重跑、可审计、含系统后果”的基础设施:AutoAnalysis 式的自更新元分析与 Feedback Loops 式的长期仿真会进入产品评审,约束覆盖(ProSearch)、否定覆盖(D1028-06)与跨会话一致性(DuSE-Bench)会成为检索/Agent 的常规回归项。用户仿真不会消失,但必须报告与真实人群的偏差(Wrong Together),否则只能作为调试工具而非决策依据。

值得关注的方向

生成式解码替代多级流水线:UGR 的 2.10% vs 1.38%、PFA 的 1.45× 加速与 69.6% GFLOP 下降、SLIDE 的单次 rollout 与 D1101-03 的 prefix 预算重分配,共同把工程收益从“更大模型”转到“候选上下文与解码调度”。它直接冲击召回/粗排/重排的组织边界;预期 6–12 个月内出现以生成器为中心的统一排序服务,配套 prefix 容量调度与稀疏注意力。
评估基础设施成为产品能力:ProSearch(1,515 查询、nDCG@10 0.290)、ArchOR(+2.68pp/−1.91pp 的指标冲突)、AutoAnalysis(420 篇/1,955 效应量)与 Feedback Loops(21–71% 场所无访问)说明离线指标与真实后果正在脱钩。预期覆盖度、约束满足、引用核验与长期仿真会像延迟/可用性一样进入生产监控。
记忆与检索的预算化调度:D1026-02 把主动记忆的规模代价显式化,Search When Needed 用 CEM 69.3(+2.1)与搜索次数 −6.8% 证明“值不值得检索”可监督,D1028-02 与 GearUp 从索引压缩和服务端调度压缩成本。三者合流意味着核心指标变成“单位预算下的有效证据量”;预期出现面向 Agent 的预算感知运行时,把记忆、检索与推理调度放进同一优化器。

本周论文速览

生成式检索与排序:解码预算与候选上下文

  • SLIDE(D1027-01) — 未披露 提出 search-to-list item distillation 与单次 rollout 生成式检索,缓解 item-level beam search 的跨物品依赖缺失。
  • PailitaoMMSearch2.0(D1028-01) — 未披露 发布技术报告,把生成式检索扩展到统一端到端多模态搜索。
  • D1029-01 广告生成式推荐 — 未披露 面向大规模广告提出可靠、可扩展、价值对齐的生成式推荐框架,以 SID 自回归统一检索范式。
  • UGR(D1030-01) — 未披露 在请求级约千级异构候选上统一生成多业务排序列表,GMV 提升 2.10%,高于单业务生成+跨业务混排的 1.38%。
  • PFA(D1030-05) — 未披露 以渐进聚焦稀疏解码替代全注意力 beam search,取得 1.45× 工业推理加速与 69.6% GFLOP 下降,同批长序列工作效果增益 0.15%–3.76%。
  • D1101-03 首步覆盖 — 未披露 通过跨语义 ID 重分配保留容量,用约一半 prefix 预算复现更宽 beam 的排序输出。

用户序列与生成多样性:可复用表示与多峰兴趣

  • MIDA(D1026-03) — 未披露 提出多兴趣解码与自适应聚合,针对 session 推荐在长历史下的性能衰减。
  • DPE-Rec(D1027-05) — 未披露 用扩散语言模型做 bundle 构建,兼顾多样性与效率。
  • D1028-04 扩散推荐多样性 — 未披露 研究扩散推荐器停止采样后的多样性保持,避免退化为单一确定性排序。
  • PALATE(D1030-02) — DoorDash 用 decoder-only Transformer 从消费者门店互动序列学习冻结向量,一次预训练供 Discovery 与 Search 两个广告表面复用。

工业推荐与广告:效率、特征与投放链路

  • D1026-04 业务规则级联查询 — 未披露 把企业销售订单的业务规则还原为级联查询,用于付款条款、发货点、销售归属等字段预测。
  • D1027-02 存储预算下的稀有物品召回 — 未披露 在固定嵌入存储预算下比较全精度小模型、蒸馏学生与高秩低精度模型,考察稀有物品召回与教师保真度的边界。
  • D1027-03 生成转评分语义标注 — LinkedIn 把 LLM 语义标注从生成改为评分,解决多标签打包 YES/NO 标注的效率与准确性问题。
  • D1027-04 有效秩缩放特征交互 — 未披露 提出有效秩缩放,统一建模异构特征交互、长期行为与多场景依赖。
  • D1028-02 近邻图索引无损压缩 — 未披露 对 HNSW 等近邻图索引做无损压缩,降低向量检索的内存占用。
  • D1028-05 流形增强图嵌入 — 未披露 用流形增强图嵌入引入互补信号,缓解多模态推荐中的相似性孤岛。
  • GearUp(D1029-02) — 未披露 以 DAG 感知与 slack 引导预加载加速 serverless 推理工作流。
  • CASH(D1030-03) — 未披露 在平台补贴率约束下做账户级折扣档位选择,统一估计器协作、可靠性控制与预算分配。
  • D1101-04 动态点击落地页 — 未披露 个性化站外广告点击后的落地页,优化用户与业务结果。
  • D1101-05 CVR 辅助监督 — 未披露 用辅助监督改进广告 CVR 排序模型。

检索与 RAG:成本、结构与治理

  • D1026-02 主动记忆召回 — 未披露 量化长期助手主动记忆召回的规模代价,刻画“是否值得打断”的决策成本。
  • RefinedGAW(D1026-05) — 未披露 发布更聚焦领域的德语学术网页数据集,弥补广域爬取覆盖不足。
  • D1026-06 超导文献 RAG — 未披露 为 arXiv 超导文献搭建结构化抽取与 RAG 问答流水线。
  • Governed Sovereign RAG(D1028-03) — 未披露 面向公共行政提出三方认知路由、facet 引导澄清与确定性数值校验的可治理 RAG。
  • D1029-03 /llms.txt 安全评估 — 未披露 审计 /llms.txt 等 manifest 辅助检索的安全与效用证据缺口。
  • D1029-06 上下文嵌入 — 未披露 把上下文嵌入的评估从 gold chunk 假设扩展到文档全局上下文。
  • D1030-04 三引擎金融 AI — 未披露 提出金融知识图谱+确定性优化+多智能体 LLM 的三引擎架构,以上下文工程连接三者。
  • ArchOR(D1031-02) — 未披露 用结构签名检索技能并仲裁,1,100 题上 Macro-Avg +2.68pp 至 60.61%,全量替换基线则 Micro-Avg −1.91pp,最终 374 题走结构、726 题保留基线。
  • Search When Needed(D1031-04) — 工业界(未披露) 用局部结论可靠性监督搜索决策,7B 模型在 7 个 QA 基准上平均 CEM 69.3(+2.1),总搜索次数 −6.8%。
  • WeSearch(D1101-01) — 微信搜索 提出模型中心的统一检索框架,面向大规模持续演化内容。

评测、基准与用户仿真:从单点正确到系统后果

  • Δτ-Bench(D1026-01) — 未披露 提出可执行 Agent 基准,建模大型工具生态的结构演化。
  • D1027-06 Persona 合成查询 — 未披露 研究 persona 条件化合成查询生成,指出提示诱导的多样性只有在忠实于结构化意图时才有用。
  • Coverage Under Contradiction(D1028-06) — 未披露 发布否定感知检索覆盖基准。
  • D1029-04 LOL 标签漂移 — 未披露 揭示 LOL-v1/LOLv2-Real 基准的隐藏标签漂移与手工测试时调整问题。
  • D1029-05 时长常识推理 — 未披露 用人类-LLM 协同标注研究“居住/停留/到访”时长常识推理。
  • Lost in the Latent Space(D1030-06) — 未披露 用探针、零样本检索与语义保持扰动评估代码嵌入,发现功能意图与实现保真呈 r=−0.473 负相关。
  • ProSearch(D1031-01) — 未披露 发布首个实验科学多约束协议检索基准,1,515 条查询、19 个检索器,最佳 nDCG@10 仅 0.290,90% 的 top 非相关段落至少违反一个约束。
  • BrowseFlow(D1031-03) — 工业界(未披露) 用 extent-first 分解与离散流匹配做生成式用户模拟,TaobaoBrowse 上 ES 0.07264、Count W1 0.0697 均为最优。
  • Recommendation Feedback Loops(D1031-05) — 学术界(未披露) 用四城市长期仿真量化反馈循环,循环内 21–71% 训练场所无访问;tail-boost 在 15% 准确率预算内使场所消失下降 54–75%。
  • AutoAnalysis(D1031-06) — Harvard Business School、MIT Sloan 发布自动化自更新元分析平台,综合 420 篇论文的 1,955 个效应量,人类增强 g=0.53、人机协同 g=−0.35。
  • DuSE-Bench(D1101-02) — 未披露 发布跨会话演化对话与文档联合推理基准。
  • Wrong Together(D1101-06) — 未披露 揭示用户模拟器之间的共享偏差,警告其替代真人估计的可靠性边界。

本周报由 AI 汇总日报生成,解读观点仅供参考。
  • 推荐系统
  • 周报
  • 论文
  • 推荐算法日报 - 2026-10-27推荐算法日报 - 2026-10-26
    Loading...
    Catalog
    0%