第 171 期 · 2026 年 10 月 24 日 周六

为搜索与推荐工程师挑选的每日 GenAI 论文 · 评分 · 深度解读

Generative · 生成式推荐 — 7 篇入选

头条：UniRec: A Unified Expressive-Aligned Generative Recommendation Framework for E-commerce — Shopee 的作者统计了标准 RQ-KMeans 生成的三层语义 ID（SID）：最常曝光的前 10% 完整编码拿走了 89.62% 的曝光，生成式推荐模型的概率因此集中在少数热门编码上。UniRec 让模型先生成商品的二级、三级类目 token，再生成三层 SID，并在构建 SID 时给每个编码加一个按曝光加权的容量上限。先生成类目，后面每一层 SID 只需要在这个类目里挑。离线 HR@50 比 OneRec-V2 相对高 22.6%；线上对比原多阶段链路，订单 +4.76%，GMV +5.60%。

  1. UniRec: A Unified Expressive-Aligned Generative Recommendation Framework for E-commerce（深度解读）
  2. OneLatent: Latent Reasoning for Efficient Foundation Recommendation Models（深度解读）
  3. GenPage: Towards End-to-End Generative Homepage Construction at Netflix（深度解读）
  4. Coarse-to-Fine Long-term Interest Modeling for Generative Recommendation（深度解读）
  5. CSG4Rec: Collaborative-Similarity Guided Semantic IDs Tokenization for Generative Sequential Recommendation
  6. Evaluating LLM-based conversational recommenders with semantic and genre-aware metrics
  7. Integrating implicit desire fusion for proactive conversational recommendation systems with LLMs

Personalization · 个性化推荐 — 3 篇入选

头条：A Framework for Value-Aligned Modeling and Robust Experimentation — Google Discover 广告团队发现，转化预估模型（pConvs）的离线 Poisson Loss 和线上广告主价值（Delivered Value，每次点击的转化数乘广告主目标单次转化出价 tCPA 再求和）之间的相关系数只有 0.1，离线变好的模型上线后经常不涨。作者把损失里每次点击按 tCPA 加权，并给所有低流量实验配一个同样流量、重新训练的生产模型作对照。按 tCPA 加权后，离线损失衡量的就是广告主真正愿意付钱的那部分转化。离线与线上的相关系数升到 0.65，低流量与高流量实验的相关系数从 0.53 升到 0.93。

  1. A Framework for Value-Aligned Modeling and Robust Experimentation（深度解读）
  2. scikit-rec: A Unified, Extensible Recommendation Library with scikit-rec-agent, a Conversational Interface（深度解读）
  3. Generalized Position-Based Model: Rethinking Position Weights in Ranking Off-Policy Evaluation

AI Search · AI 搜索 — 10 篇入选

头条：The Fusion Tax: A Diagnostic Analysis of When Hybrid Retrieval Hurts — 混合检索把 BM25 和向量检索两路结果融合成一个排序，主流检索引擎和 RAG 框架的文档大多默认用倒数排名融合（RRF）。作者在 7 个 BEIR 数据集上逐条查询记账：表现最好的融合方式是向量分数占 0.7 权重的分数插值，它在每个数据集的平均 nDCG@10 上都赢过只用向量检索，却仍让 8–21% 的查询排得比只用向量检索更差。这些损失集中在只有一路命中相关文档的查询上，另一路此时只贡献噪声，融合会把已经排上来的相关文档往下压。把向量编码器从 22M 换到 596M 参数，这部分损失也没有消失。RRF 只在两路水平相当的数据集上才赢过纯向量检索，所以融合方式应该按目标语料上两路的实测差距来选。

  1. The Fusion Tax: A Diagnostic Analysis of When Hybrid Retrieval Hurts（深度解读）
  2. Chunk Recomputation under Real Document Revisions: Measuring Update Cost and Retrieval Quality of Fixed, Recursive, and Content-Defined Chunking（深度解读）
  3. Lean Finder V2: Semantic Search for Mathlib That Disambiguates User Queries（深度解读）
  4. CANOPY: Adaptive-Granularity Evidence Compression for Multimodal RAG
  5. 从 VDBBench 到 MMEB 榜首：阿里云 AI Search 从引擎到模型的全栈优化
  6. 大模型服务平台 TokenHub 联网搜索
  7. Joint Constraint Aggregation for Qualifier-Sensitive Retrieval-Augmented QA
  8. Compiling Autoregressive LLM Control into Policy-Exact Parallel Inference for Hierarchical RAG
  9. SurveyGraph: Generating Academic Surveys via Methods-Entity Knowledge Graphs
  10. Automated Enrichment Analysis with GraphRAG: Efficient Multi-Database ORA Extraction and Biological Interpretation

Infra · 系统与索引 — 8 篇入选

头条：llm-d 1.0, an open source stack for distributed inference — 智能体流量多步、共享长前缀、突发到达。放在普通轮询负载均衡后面，各副本会重复计算相同的提示，显存里堆满重复的 KV cache。Google 联合 Red Hat、IBM 等在 PyTorch Conference 发布的 llm-d 1.0，是一个跑在 Kubernetes 上的开源分布式推理栈，把一组 vLLM、SGLang 模型服务器组织成一个统一的服务池：路由器记录每个缓存前缀存在哪些副本上，结合负载和预测延迟选副本；显存满时把 KV cache 依次挪到主机内存和 SSD；预填充和解码拆成两个池。1.0 新增按优先级和公平性排队的流控，以及不中断会话的滚动升级。在 Ironwood TPU 上的编码智能体负载里，前缀感知路由加主机内存卸载让首 token 延迟中位数下降 85% 以上，总吞吐是普通 Kubernetes Service 的 2.4 倍。收益主要来自把同一会话的请求送回已经存着它上下文的副本，省掉重复的预填充。

  1. llm-d 1.0, an open source stack for distributed inference（深度解读）
  2. SweepANN: A GPU-Accelerated Large-K Approximate Vector Search for Drug Discovery
  3. llm-d 1.0 hardens open-source AI inference for production
  4. Amazon targets Trainium gains with new TorchNeuron developer tool
  5. FastLLM: a C++ LLM inference engine
  6. 向量检索数据库选型：Tair（Redis 企业版）内置向量引擎方案
  7. Scaling LLM Inference via Parallelism: Throughput-Latency Trade-off
  8. Introducing Superfluid: the local-AI native LLM server for multi-agent inference

📖 全部深度解读（541 篇）→

近期日报

更早的 141 期日报见 站点地图。