搜广推 / 列表与业务控制：重排、出价和长期价值
基础理解
RLBP是在每次拍卖直接由神经网络出价吗？
Reinforcement Learning for Controller Parameters in the Auto-Bidding System at Pinterest
问答新增：2026-10-30 · Pinterest Inc.
展开答案与例子
答案：不是。它每天选择PID参数倍率，写入当天固定的查找表；高频反馈仍由原PID完成。生产只调P/I各三个倍率、D固定为1，共9种动作，这是一层受限元控制。
教学例子：教学例：一天开始把比例系数调为默认值1.2倍，不代表神经网络决定当天每一笔报价；中途反馈仍由PID误差项驱动。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
核心机制
CPC改善是负lift，为什么融合时还要减去CPC头？
Reinforcement Learning for Controller Parameters in the Auto-Bidding System at Pinterest
问答新增：2026-10-30 · Pinterest Inc.
展开答案与例子
答案：CPC越低越好，所以低于基线的奖励为负数，不能先改成正收益。融合Qbu减beta乘Qcpc时，负CPC变化会增加最终分数；多步扩展的CPC backup也用min而非max。
教学例子：教学例：两个动作预算头均为0，CPC头分别为-0.1与0.2，beta为1时融合分数为0.1与-0.2，选择前者的方向才正确。
依据：核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
方法对比
论文叫DQN，为什么实际部署仍可看成contextual bandit？
Reinforcement Learning for Controller Parameters in the Auto-Bidding System at Pinterest
问答新增：2026-10-30 · Pinterest Inc.
展开答案与例子
答案：实际gamma为0，训练目标只回归当天结果，没有未来Q bootstrap。论文同时给出多步公式，但两头各自max/min后再融合，不保证等于组合奖励的最优Q；不能把扩展讨论当成已部署的长期最优策略。
教学例子：教学例：奖励1、未来Q为100，gamma0的目标仍是1；悄悄改成gamma0.9就变成91，已经换了目标。
依据：背景与主要改动、核心公式、论文离线与线上效果；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
实现细节
已实现top-K softmax，是否代表已复现生产策略概率？
Reinforcement Learning for Controller Parameters in the Auto-Bidding System at Pinterest
问答新增：2026-10-30 · Pinterest Inc.
展开答案与例子
答案：不能。生产还依赖真实Q网络、beta数值尺度和融合后的数值预处理。组件把beta和预处理回调显式外置，默认identity仅是数值参考；真实propensity和外部观测也不是小张量测试能提供的。
教学例子：教学例：同一分数乘2通常不改top-K集合，却会让softmax更尖锐，从而改变IPS所需的动作概率；不能只核对argmax就说策略一致。
依据：核心公式、本地复现与边界；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
基础理解
MAPS 为什么把广告创作拆成 Profile、Scripter、Director、Reflector 四种角色？
MAPS: A Multi-Agent Personalized Script-Driven Video Advertising System Enhanced by Reinforcement Learning
问答新增：2026-10-27 · Beihang University
展开答案与例子
答案：画像提炼需求与风格，脚本表达商品与分镜，视频执行负责呈现，反思将反馈归回可修改环节。分工让错误可定位，避免低反馈就重做全部链路。角色名不构成能力，实际需要语义模型、视频生成器与可信环境，本地因成本仅审查。
教学例子：用户理解正确但脚本夸大性能，应修文案；若视频执行违反脚本，则修生成环节，而非让画像 agent 背锅重写偏好。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
核心机制
MAPS的Reflector为什么区分画像错误与脚本错误，再路由最小修改？
MAPS: A Multi-Agent Personalized Script-Driven Video Advertising System Enhanced by Reinforcement Learning
问答新增：2026-10-27 · Beihang University
展开答案与例子
答案：低反馈可能来自理解错人，也可能来自表达和商品事实有问题，全部重做会浪费计算并破坏本来正确的部分。分角色归因后只修改相关环节，让画像、脚本与视频生成保持可检查接口；混合奖励还需评估结构、个性化和事实。该链路依赖大模型与私有环境，本库因成本只收录研究，不提供关键词奖励替代复现。
教学例子：用户偏好判断正确，但脚本夸大了商品性能，应修脚本而非重建画像；若根本把送礼对象理解错，再精修镜头也无法修正推荐方向。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
方法对比
MAPS 的混合 reward 与关键词计数替代，相比保留哪些语义要求？
MAPS: A Multi-Agent Personalized Script-Driven Video Advertising System Enhanced by Reinforcement Learning
问答新增：2026-10-27 · Beihang University
展开答案与例子
答案：结构奖含场景角色与物理合理性，个性化和商品一致性由语义 judge 评估，关键词覆盖无法判断事实矛盾或用户契合。代理可单测接口却不是同一算法证据。奖励配比也不保证 judge 可靠，必须区分文字得分与真实创意效果。
教学例子：脚本写满“耐用、适合你”可命中关键词，却可能把普通鞋描述成防火鞋；语义一致性要检查商品事实，而非只数赞美词。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
实现细节
MAPS 的 group advantage 为什么在没有反馈差异时不能声称做了有效 RL？
MAPS: A Multi-Agent Personalized Script-Driven Video Advertising System Enhanced by Reinforcement Learning
问答新增：2026-10-27 · Beihang University
展开答案与例子
答案：同上下文脚本奖励需形成相对差异，全部相同则中心化后优势为零，没有方向教策略更偏哪条；judge 和视频执行链也必须真实存在。来源明确不提供关键词 proxy 来替代整篇，公式可计算不意味着训练与环境已经复现。
教学例子：四个脚本都被简陋规则打满分，策略无从学习哪份更个性化；跑一次优化器不能当作四 agent 视频创作能力已提升。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
基础理解
CohortMix-TS 为什么为新用户构造群组混合先验，而不是等待个人数据充足？
Challenges and Solutions for Bandits in the Wild: Warm-Started Mixture Bandits for Cross-Cohort Slate Recommendation
问答新增：2026-10-27 · DFKI / RPTU Kaiserslautern-Landau
展开答案与例子
答案：新用户反馈少，个人成功率极不稳定；元数据得到群组 membership，再混合历史各组对 item arm 的估计，为初始探索提供方向。固定先验强度控制借用多少信任，后续个体反馈可逐步改写。群组信息是起点，不代表同组用户偏好必然相同。
教学例子：新用户尚未点击，可按其元数据混合两个兴趣群组的电影成功率；获得几次个人反馈后，后验应开始偏离群体平均。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
核心机制
CohortMix-TS为什么用固定强度的混合Beta先验，而不直接搬来历史群组的全部计数？
Challenges and Solutions for Bandits in the Wild: Warm-Started Mixture Bandits for Cross-Cohort Slate Recommendation
问答新增：2026-10-27 · DFKI / RPTU Kaiserslautern-Landau
展开答案与例子
答案：新用户可借相似群组的经验热启动，但历史样本规模若直接变成先验强度，会让个人新反馈长期无法改变判断。方法先混合群组均值，再用受控伪计数形成先验，并按个人曝光反馈独立更新。Thompson采样保留探索，不是永久按群组平均值确定推荐；本地只检验后验机制。
教学例子：群组有十万次反馈，新用户只有三次；若全部继承，三次反馈几乎不起作用。用固定先验强度，群体经验能引路，也允许个人兴趣逐渐接管。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
方法对比
CohortMix-TS 的 Thompson sampling 与总选后验均值最高 arm，探索方式有何不同？
Challenges and Solutions for Bandits in the Wild: Warm-Started Mixture Bandits for Cross-Cohort Slate Recommendation
问答新增：2026-10-27 · DFKI / RPTU Kaiserslautern-Landau
展开答案与例子
答案：均值贪心忽略估计不确定性，Thompson sampling 从每个后验抽样，反馈少但潜力高的 arm 有机会被选中。随着数据增加不确定性下降，探索自然收敛。它并不保证每轮结果更好，来源本地只核验状态转换，不可据三种子诊断宣称推荐能力。
教学例子：甲均值略高且很确定，乙均值略低但样本少。抽样偶尔会让乙胜出以收集证据，贪心则可能永远不再尝试乙。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
实现细节
CohortMix-TS 更新 Beta 后验时，为何每位新用户应有独立计数并排除已曝光 slate？
Challenges and Solutions for Bandits in the Wild: Warm-Started Mixture Bandits for Cross-Cohort Slate Recommendation
问答新增：2026-10-27 · DFKI / RPTU Kaiserslautern-Landau
展开答案与例子
答案：群组先验只初始化个人状态，之后成功与失败应写入该用户对应 arm，避免一人反馈修改所有新用户。每轮在未曝光集合选 slate，才符合连续探索口径；没有曝光的 arm 不应凭空记失败。共享先验与共享后验是不同设计。
教学例子：甲点击喜剧只增加甲的成功计数，不能替乙也加一次；本轮未展示的动作片没有反馈，不应自动记成负例来压低它。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
基础理解
GESE 为什么把标题探索与个性化选择分开？
Generate to Explore, Select to Exploit: Aligning LLM-based Headline Generation with Personalized Recommendation
问答新增：2026-10-27 · Baidu
展开答案与例子
答案：生成阶段提出一组相关、多样且忠于内容的标题，选择阶段再结合当前用户与上下文决定展示哪个，避免一次通用生成承担所有个性化。候选质量是前提，selector 无法修复集合里没有忠实标题的问题，也不应把吸睛等同于真实满意。
教学例子：同一文章可突出方法、场景或结论三种角度，用户不同选择不同标题；三种都不能把原文没有的效果写出来。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
核心机制
GESE为什么先探索一组多样且忠实的标题，再按当前上下文选择一个？
Generate to Explore, Select to Exploit: Aligning LLM-based Headline Generation with Personalized Recommendation
问答新增：2026-10-27 · Baidu
展开答案与例子
答案：只有一个固定标题无法适应不同用户，逐请求自由生成又可能昂贵且产生失真。集合探索先准备相互有区别、仍忠于内容的候选，selector再利用上下文选择，分离可复用创作与实时个性化。多样性不能以捏造事实换取；本地固定候选打分只验证选择组件，不等于重现完整标题生成训练。
教学例子：同一纪录片可有摄影视角或自然知识视角的忠实标题，面对不同用户选择其一；不能为了提高点击把影片没有的惊险情节写进候选集合。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
方法对比
GESE 与为每个用户实时调用 LLM 写标题，相比怎样分配计算？
Generate to Explore, Select to Exploit: Aligning LLM-based Headline Generation with Personalized Recommendation
问答新增：2026-10-27 · Baidu
展开答案与例子
答案：预先探索可复用候选，把昂贵生成摊到多次请求，轻选择器负责实时适配；逐用户生成更灵活却增加延迟、重复成本与一致性风险。预生成也限制候选覆盖，机制取舍不能由本地确定性打分推断生产系统速度与效果。
教学例子：先为文章生成五种合法角度，千位用户只运行选择；如果某新场景所需角度不在五个里，selector 也不能现场创造它。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
实现细节
GESE 本地候选打分实现为什么不能当作完整 LLM 生成训练？
Generate to Explore, Select to Exploit: Aligning LLM-based Headline Generation with Personalized Recommendation
问答新增：2026-10-27 · Baidu
展开答案与例子
答案：来源明确用确定性 relevance、多样性、faithfulness 和上下文 selector 限定机制，验证候选选择逻辑，并未复刻大模型集合生成与生产后训练。应报告这些算子与负结果，论文线上数值只作为原文证据，不能填进本地指标。
教学例子：手工准备五个标题再选一个，可检验 selector，但不证明模型能生成这五个忠实标题；两阶段不能因共用论文名而合并成已完成链路。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
基础理解
OGR 为什么用 TUSID 同时承载语义与协同，而不只做内容量化？
Once Generated, Ranked: End-to-End Generative Slate Recommendation with Unified Semantic-Collaborative IDs
问答新增：2026-10-27 · Kuaishou Technology
展开答案与例子
答案：内容码方便共享与新物品泛化，协同码保留行为关系，联合编码为整页规划提供两种线索。GL2P 再面向列表行动，SPA 用反馈调整，三个环节不同。联合空间可能有冲突，编码更丰富不自动代表页面质量更高。
教学例子：两件商品外观不同却常被一起消费，协同可连接；新品没有反馈时又可借内容，整页规划据此组织而非只按外观相似凑满。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
核心机制
OGR 为什么先融合语义码与协同码，再对整张 slate 做保守策略优化？
Once Generated, Ranked: End-to-End Generative Slate Recommendation with Unified Semantic-Collaborative IDs
问答新增：2026-10-27 · Kuaishou Technology
展开答案与例子
答案：语义码帮助内容相近物品共享结构，协同码补充用户行为关系，联合编码先决定生成空间怎样组织物品。列表规划再把整张推荐列表作为行动，使训练能考虑项目之间的配合；保守优化利用列表反馈调整策略，同时约束偏离已有监督策略的幅度。编码、规划和反馈分别解决表示、联合决策与稳定更新。
教学例子：一屏四个商品若逐个选最高分，可能全是相似运动鞋。联合列表目标可以考虑鞋、袜、背包的互补性，策略约束则防止为追求一次反馈突然生成完全陌生组合。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
方法对比
OGR 的保守 SPA 与无约束奖励最大化，为什么保留 SFT 锚点？
Once Generated, Ranked: End-to-End Generative Slate Recommendation with Unified Semantic-Collaborative IDs
问答新增：2026-10-27 · Kuaishou Technology
展开答案与例子
答案：奖励可能稀疏或偏离真实满意，KL 惩罚限制相对监督策略的偏移，减少为代理高分生成极端列表。它在改进自由与稳定间取舍，不能消除奖励错误。来源本地整体 NDCG 与 Hit 方向不同，也不支持宣称全部列表目标改善。
教学例子：新颖性奖励可能鼓励全冷门无关商品，SFT 参考保留已学兴趣；约束太强又可能难探索，系数需要合适验证。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
实现细节
OGR 的 R(Y) 与 KL 应比较什么完整对象，为什么不能只看单个 item？
Once Generated, Ranked: End-to-End Generative Slate Recommendation with Unified Semantic-Collaborative IDs
问答新增：2026-10-27 · Kuaishou Technology
展开答案与例子
答案：Y 是整张 slate，奖励、生成概率与参考分布需针对同一列表或定义的 token 分解，候选身份与去重规则一致。单品奖励平均不一定等于列表效用，固定分数混合也不等于策略更新。本地代理实现范围需以实际更新路径为准。
教学例子：五条各自相关却重复的列表，单品平均分仍高，列表奖励应看到组合冗余；否则并没有检验 GL2P 所要优化的整页决策。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
基础理解
DrEM 为什么围绕 pair 偏好翻转研究噪声？
DrEM: Dual-Side Robust Ensemble Ranking from Noisy User Preference Predictions in Video Recommendation
问答新增：2026-10-27 · Shenzhen University
展开答案与例子
答案：排序依赖相对次序，分数误差不大也可能颠倒接近候选。logit 扰动、偏好保持筛选与风险修正关注这种顺序脆弱性，再以一致性融合降低漂移。单品预测准确不保证 pair 稳定，翻转风险估计本身也可能出错。
教学例子：甲乙分数只差零点零一，轻微噪声就交换首位；各自平均误差很小仍无法说明这个排序可靠，简单平均多路分数也不显式检查翻转。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
核心机制
DrEM为什么对偏好翻转风险修正损失，而不是只对多个预测分求平均？
DrEM: Dual-Side Robust Ensemble Ranking from Noisy User Preference Predictions in Video Recommendation
问答新增：2026-10-27 · Shenzhen University
展开答案与例子
答案：各路预测存在噪声时，组合得到的物品偏好可能被翻转，简单平均仍可能稳定地学到错误次序。DrEM先筛选扰动下保持偏好的样本，再根据翻转风险修正目标，并用一致性融合降低排序漂移。修正依赖对噪声机制的估计，翻转率接近不稳定边界时不能无条件套用公式。
教学例子：两件视频原本只差一点分，轻微CTR噪声就让正负对颠倒；与其把这种随机次序当可靠标签，更应识别其风险并约束融合结果对扰动的敏感度。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
方法对比
DrEM 的风险反演与普通扰动增强，额外依赖什么假设？
DrEM: Dual-Side Robust Ensemble Ranking from Noisy User Preference Predictions in Video Recommendation
问答新增：2026-10-27 · Shenzhen University
展开答案与例子
答案：增强只要求模型见过噪声输入，反演则按估计翻转概率组合正反标签损失，试图校正噪声前目标。因此依赖风险模型和非奇异分母，错误概率会残留偏差或放大方差。不能把任意加噪训练都称为完成反演，更不能预设其必胜普通增强。
教学例子：真实四成标签会翻转却按两成校正，训练目标仍有偏；若不知道风险，仅加随机扰动并不能合理生成那项反演系数。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
实现细节
DrEM 实现为什么要分别检查概率转 logit 与 1−2ρ？
DrEM: Dual-Side Robust Ensemble Ranking from Noisy User Preference Predictions in Video Recommendation
问答新增：2026-10-27 · Shenzhen University
展开答案与例子
答案：零或一概率会产生无限 logit，ρ 接近二分之一又让反演分母趋零，二者是不同数值边界。处理方式需明确记录，不能静默输出巨大梯度。筛选、修正和一致性融合也需各自执行，只有一个噪声函数不构成完整方法。
教学例子：翻转像抛硬币一样随机时，除以极小分母不会创造偏好证据；应报告不适用边界，而不是把异常大 loss 当成强监督。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
基础理解
DREAM 为什么被称作现有链路上的控制平面？
DREAM: A Dual-Loop Recommendation Evolution Framework Powered by Large Language Models
问答新增：2026-10-27 · Taobao & Tmall Group / Alibaba
展开答案与例子
答案：Intent 和 Meta Engine 提炼状态并规划策略，Unified Outlet 把有界 typed 参数施加到已有召回、精排与重排，原模型继续负责候选评分。它协调配置而不是逐物品自由生成分数。控制层能够执行仍不说明策略有效，必须由观测反馈约束。
教学例子：用户转向露营时控制层调节品类权重与打散数量，底层网络继续打分；这与重训一套从历史直接输出全部候选的新模型不同。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
核心机制
DREAM为什么让LLM输出有界语义级别，再由确定性模块翻译为参数？
DREAM: A Dual-Loop Recommendation Evolution Framework Powered by Large Language Models
问答新增：2026-10-27 · Taobao & Tmall Group / Alibaba
展开答案与例子
答案：自由文本难以直接满足线上接口与取值约束，DREAM把意图理解、策略规划和参数编译分开。LLM只表达允许的调整方向与强度，统一出口再执行白名单与范围检查；离线和线上反馈验证后才写回策略记忆。这样语义推理可影响现有链路，却不能任意改写生产模型或无限放大权重。
教学例子：模型判断用户想多看新类目，只能提出规定级别的增加多样性；编译器把它转成有限的打散数量，而不会执行一句没有边界的“尽量推新内容”。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
方法对比
DREAM 的影子线上门控为什么不能等同于真实生产 A/B？
DREAM: A Dual-Loop Recommendation Evolution Framework Powered by Large Language Models
问答新增：2026-10-27 · Taobao & Tmall Group / Alibaba
展开答案与例子
答案：独立影子数据能减少离线选择过拟合，却仍处于公开数据代理和固定反应环境，没有完整真实用户反馈。生产双环需要实际实验支持。本地相关性改善同时头部集中、新内容下降，应分别报告，而不是把独立验证通过当成真实生态收益。
教学例子：两组验证用户分开能防止同组反复挑策略，但没有真正展示后用户的适应和流失，仍无法测得上线一周的长期活跃。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
实现细节
DREAM 的语义级别怎样编译成可执行且有界的参数？
DREAM: A Dual-Loop Recommendation Evolution Framework Powered by Large Language Models
问答新增：2026-10-27 · Taobao & Tmall Group / Alibaba
展开答案与例子
答案：离散级别只能通过白名单与确定翻译进入服务：排序覆盖由原权重和级别得到，类目打散数使用 max(1,默认数+bc) 保留下界。LLM 不能绕过接口输出任意值；记录需绑定编译后的实际配置，否则反馈会对应从未执行的提案。
教学例子：默认打散数一、级别负二，编译后仍至少一；若直接传负数，即使策略文字合理，也不满足实际服务契约。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
基础理解
MetaStrategy 为什么将目标权重、偏好、约束和位置规则放在 typed JSON 中？
MetaStrategy: Generative Ranking with Executable LLM Strategies
问答新增：2026-10-27 · Alibaba / Taobao
展开答案与例子
答案：固定打分网络难快速表达当下意图，自由文本又难直接可靠执行。typed 策略给 compiler 明确可检查参数，让语义规划与确定排序分离。输出合法 JSON 只是格式门槛，规则可能不合理，仍需 replay、反馈和范围校验。
教学例子：用户要新鲜内容，策略明确增加新内容权重并设位置限制，比生成一句“多推荐新品”更可执行；合法字段也不保证这个权重对用户好。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
核心机制
MetaStrategy为什么让LLM生成typed策略而不是直接生成最终物品次序？
MetaStrategy: Generative Ranking with Executable LLM Strategies
问答新增：2026-10-27 · Alibaba / Taobao
展开答案与例子
答案：结构化策略把目标权重、类目偏好和位置约束显式化，确定性compiler再对真实候选执行，便于限制范围与审计失败原因。LLM负责理解意图，排序逻辑负责保证可执行，二者可分别更新与评价。JSON格式正确只证明接口合法，不证明策略有用，更不能用模型自评分替代真实回放反馈。
教学例子：用户想少看重复内容，模型输出限定的类目打散与权重参数，compiler据现有候选排表；若没有相关候选，应暴露限制，而不是凭空生成不存在的商品。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
方法对比
MetaStrategy 与直接生成物品清单，相比审计和复用单位有什么不同？
MetaStrategy: Generative Ranking with Executable LLM Strategies
问答新增：2026-10-27 · Alibaba / Taobao
展开答案与例子
答案：清单绑定当次候选，策略可在更新候选上重复执行并检查规则，使控制意图更透明；但 compiler 能表达的空间有限，复杂偏好未必能写成参数。来源完整生产蒸馏与本地 typed bundle 代理范围不同，不能把控制可执行当作同等智能。
教学例子：一条“同作者最多一项”可用于多份候选表，具体十本书清单则过期就失效；但规则无法独自判断所有内容语义。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
实现细节
MetaStrategy 的 compiler 为什么必须对未知字段和越界值显式拒绝？
MetaStrategy: Generative Ranking with Executable LLM Strategies
问答新增：2026-10-27 · Alibaba / Taobao
展开答案与例子
答案：否则语言模型可绕过允许空间，让策略评估与服务行为不一致。应绑定 schema、默认值与执行后的实际列表，记录失败而不是猜测修复含义。线上奖励路由与 teacher-student OPD 也不是只写一个 JSON 文件便已实现。
教学例子：模型给“无限提高购买权重”或不存在的字段，compiler 不应静默执行任意表达式；必须在受控参数范围内才能审计结果。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
基础理解
DEGR 为什么把探索反馈与生成模型训练连接，而不只在末端随机插入新商品？
DEGR: Dual Exploration-Driven Generative Re-Ranking for Adaptive Cross-Request Context Bridging
问答新增：2026-10-27 · JD.com
展开答案与例子
答案：末端随机探索能收集反馈，却未必让生成器学会哪些新内容值得继续探索。奖励自适应偏好更新将探索收益写回策略，同 cohort 表示正则和推理多样性选择再减少重复。探索应同时保持相关性，不能仅以头部占比下降证明用户受益。
教学例子：尝试一件冷门户外商品后若得到好反馈，训练可提高相关探索；纯随机插入每次从头碰运气，不会主动记住这次成功线索。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
核心机制
DEGR为什么同时约束同cohort物品表示，并按探索收益调整偏好优化强度？
DEGR: Dual Exploration-Driven Generative Re-Ranking for Adaptive Cross-Request Context Bridging
问答新增：2026-10-27 · JD.com
展开答案与例子
答案：逐请求追求高分可能跨请求反复暴露同类物品，表示约束先减少候选间的方向重叠。探索反馈再决定偏好更新应多强，避免对没有实际收益的探索机械强化；推理时的多样性选择补上输出层决策。训练表示分散不必然等于用户感知多样性，仍需同时看相关性与探索反馈。
教学例子：一组用户连续收到相似鞋款，单次列表看似合理却长期单调；模型既需减少候选同向集中，也需验证换入新类目是否真的带来有价值的探索。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
方法对比
DEGR 的训练多样性正则与推理 diversity-aware greedy，作用阶段有何不同？
DEGR: Dual Exploration-Driven Generative Re-Ranking for Adaptive Cross-Request Context Bridging
问答新增：2026-10-27 · JD.com
展开答案与例子
答案：平方余弦约束改变物品表示，让同 cohort 更少坍缩；推理选择则依据已选项控制当前列表冗余。前者塑造长期空间，后者处理单次组合，两者不能互代。正则过强会推开真实相似品，推理过强也会牺牲相关性，需分别消融。
教学例子：把物品向量稍微拉开不能保证一屏不重复；反过来每屏强行换类别也不能修复训练表示全挤在热门方向，两个环节需单独检查。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
实现细节
DEGR 本地 NDCG 持平但 head share 下降，应怎样验收机制而不夸大效果？
DEGR: Dual Exploration-Driven Generative Re-Ranking for Adaptive Cross-Request Context Bridging
问答新增：2026-10-27 · JD.com
展开答案与例子
答案：来源确实执行偏好与 diversity pair 更新，可据日志检查算子与次数，再分别报告排序与分布变化。NDCG 零增量表示本协议未看到主质量改善，头部略降只说明曝光集中度变化。不能用更新次数或三项损失存在，替代用户价值证据。
教学例子：榜单少了一点热门片却没有提高相关项位置，可以说分布更分散，不能说用户一定更满意，也不能把持平改写为全面优化。
依据：本地复现；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
基础理解
STEPS为什么同时决定发不发和何时再唤醒？
A Self-Triggered Agentic Push Recommendation System
问答新增：2026-10-27 · ByteDance / Douyin
展开答案与例子
答案：固定频控不能跟踪用户状态，周期轮询又浪费或错时。规划间隔、执行动作和轻量过滤形成自触发闭环，把时机与计算成本一起纳入决策。
教学例子：例如这次不推，也需决定多久后再评估，而不是无限等到固定轮询点。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
核心机制
STEPS 为什么把“下次何时唤醒”和“此刻是否推送”交给不同 agent，并加轻量过滤？
A Self-Triggered Agentic Push Recommendation System
问答新增：2026-10-27 · ByteDance / Douyin
展开答案与例子
答案：固定频控不能适应用户状态，频繁轮询又浪费计算。规划 agent 用有序间隔预测决定何时再观察，执行 agent 根据轨迹回报选择发送，过滤器先拦截异常或低价值计划。分工把观察频率与发送决策联合成闭环，仍需区分等待收益与消息收益；本地代理排序结果不能替代真实推送留存实验。
教学例子：用户刚忽略一条通知，规划器可延长下次唤醒间隔；到时执行器发现没有值得发的内容，仍可选择不发。过滤器则避免异常计划让系统每秒反复唤醒。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
方法对比
planning、execution与filter三角色是否只是同一分数阈值？
A Self-Triggered Agentic Push Recommendation System
问答新增：2026-10-27 · ByteDance / Douyin
展开答案与例子
答案：planning预测唤醒间隔，execution评发送，filter限制成本与异常计划，职责不同。把三个都压成发送概率会丢掉调度与防护机制，不能宣称完整agentic push。
教学例子：例如决定明早再醒与决定此刻是否推送，是两个不同输出。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
实现细节
STEPS本地是否有真实permission和wall-clock唤醒器？
A Self-Triggered Agentic Push Recommendation System
问答新增：2026-10-27 · ByteDance / Douyin
展开答案与例子
答案：没有，MovieLens只验证决策分解，缺少push授权、触达成本和实际时钟调度。模拟间隔不代表设备会真的唤醒，执行仍需服务契约和真实回报。
教学例子：例如数组里的下一次时间更新，不等于用户手机实际收到一条通知。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
基础理解
DIRECTOR 的动态索引分布为什么要覆盖所有展示位置？
DIRECTOR: Dynamic Index-based Recommendation with Transport-Optimized Retrieval
问答新增：2026-10-27 · University of Science and Technology of China
展开答案与例子
答案：每个位置都要从候选中选物品，独立分布会让多个位置争抢同一高分项。联合运输把位置供给与物品分配联系起来，随后硬匹配产生可用 slate。并行生成减少逐步解码依赖，但联合可行性和相关性仍需同时检查。
教学例子：五个位置都最喜欢电影甲，独立预测会重复五次；联合分配要求它只占合法数量位置，其余位置选择互补候选。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
核心机制
DIRECTOR为什么用Sinkhorn加全局匹配，而不让每个位置独立挑最高分物品？
DIRECTOR: Dynamic Index-based Recommendation with Transport-Optimized Retrieval
问答新增：2026-10-27 · University of Science and Technology of China
展开答案与例子
答案：独立位置预测可能都选择同一个热门物品，忽略位置之间争夺候选的耦合。Sinkhorn将分数转成受行列边际约束的软运输计划，训练时联合分配所有位置；最终再以全局匹配得到不冲突的硬列表。软分布本身还不是可展示排列，不能用独立argmax替代最后的组合解码。
教学例子：三个位置都最喜欢A，独立取最大会重复三次；全局匹配会同时考虑把A给最需要的位置、把B和C分给其余位置，从而形成一张合法列表。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
方法对比
DIRECTOR 的 Sinkhorn 软运输与最终全局硬匹配，为什么不能只保留前者后逐行 argmax？
DIRECTOR: Dynamic Index-based Recommendation with Transport-Optimized Retrieval
问答新增：2026-10-27 · University of Science and Technology of China
展开答案与例子
答案：软矩阵满足的是连续约束，逐行取最大仍可能撞到同一列，破坏唯一分配。全局匹配在离散空间共同选择，考虑某位置让步换来的总分。温度与迭代影响软近似，但不能用近似双随机直接保证独立取最大合法。
教学例子：两行都把甲分到零点六、乙零点四，即使列约束经过近似处理，独立取甲仍冲突；硬匹配需让其中一行选乙。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
实现细节
DIRECTOR 的 score 矩阵与最终 permutation 应如何对齐候选索引？
DIRECTOR: Dynamic Index-based Recommendation with Transport-Optimized Retrieval
问答新增：2026-10-27 · University of Science and Technology of China
展开答案与例子
答案：矩阵行代表位置、列代表候选，运输和硬匹配需使用同一列身份，取回物品时按全局匹配索引而不是各行排序索引。候选不足或重复身份需明确约束；来源本地比较独立索引与联合匹配，不能把电影代理结果外推生产 valid view。
教学例子：模型列二对应电影乙，匹配后若用已重排候选表的列二取值，会拿错电影；数值目标正确也无法保证实际展示列表合法。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
基础理解
PSG 的 pair 能“无损展开”，是否意味着 pair 模型与原 item 模型概率完全相同？
PSG: Pair-Space Generation for Efficient Generative Reranking
问答新增：2026-10-27 · Kuaishou Technology
展开答案与例子
答案：不是。无损指给定有序二元组能还原对应两件物品及顺序，是表示映射的性质；pair scorer 与 item 逐步模型学习的概率及搜索路径可以不同。少一半解码步也不意味着训练误差、候选覆盖或端到端质量无损，这些需要另外比较。
教学例子：把列表甲乙丙丁打包成甲乙、丙丁再展开，内容没有丢；但新模型可能更爱选择另一组 pair，所以生成的列表分布仍可变。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
核心机制
PSG 把两个相邻物品打包为 pair token，为什么能减少生成步数又必须保留内部顺序？
PSG: Pair-Space Generation for Efficient Generative Reranking
问答新增：2026-10-27 · Kuaishou Technology
展开答案与例子
答案：pair token 把两个位置联合建模，生成半长的 pair 序列后可无损展开，因此自回归步数减少。但一个 pair 的两个物品顺序会影响展示与后续条件，不能当作无序集合；重复约束还要保证不同 pair 展开后没有不可用重复。减少步数把一部分复杂度转移到配对空间和评分上，并非免费加速。
教学例子：六个位置原本生成六次，改成三次分别生成有序二元组。二元组“咖啡机、咖啡豆”与反过来不同；若第二组再次含咖啡机，展开前还需要处理重复。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
方法对比
PSG 与普通两步并行 item 预测，相比 pair scorer 学什么依赖？
PSG: Pair-Space Generation for Efficient Generative Reranking
问答新增：2026-10-27 · Kuaishou Technology
展开答案与例子
答案：独立位置头可同时输出但未必显式评价组合，pair scorer 联合看两个物品及次序，使一对内部互补进入一次动作。候选 pair 数可能很大，缩短步数把压力转到动作空间；来源代理质量负向，不能只报半长度宣称无损加速。
教学例子：相机与镜头一对可能互补，两台近似相机单条分高却重复，联合评分可区分；但所有可能二元组数量比单品多。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
实现细节
PSG 展开后为什么还要跨 pair 去重，而不只保证每个 pair 内不同？
PSG: Pair-Space Generation for Efficient Generative Reranking
问答新增：2026-10-27 · Kuaishou Technology
展开答案与例子
答案：同一物品可出现在不同 pair，局部不重复不保证整页合法，选新 pair 时需考虑已选前缀。映射要保留 pair 内顺序，不能排序成 ID 升序。长度、余项与空合法集合需显式处理，不用重复填满掩盖失败。
教学例子：第一对相机镜头，第二对相机包，内部都不同却重复相机；展开前后都应检查全列表约束，而不是只看两两组合。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
基础理解
SWAG-Bid的episode边界与七日滑窗，是同一段时间吗？
Beyond Single-Episode Optimization: Sliding-Window Aware Generative Auto-Bidding for Long-Term Advertising Effectiveness
问答新增：2026-10-27 · Alibaba International Digital Commerce / Dalian University of Technology
展开答案与例子
答案：不是。单个episode提供局部交互边界，七日滑窗可以跨episode携带更长周期的状态与目标。窗口并不是七个固定动作，也不能因进入新episode就清空所有长期条件。先识别两种时间范围，才能理解跨天约束为何需要额外表示。
教学例子：一天的竞价交互结束后，七日窗口仍包含此前几天信息；换一个episode不意味着七日目标重新开始。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
核心机制
SWAG-Bid 为什么用跨 episode 的七日滑窗计划，还要逐步 gate 注入当前出价？
Beyond Single-Episode Optimization: Sliding-Window Aware Generative Auto-Bidding for Long-Term Advertising Effectiveness
问答新增：2026-10-27 · Alibaba International Digital Commerce / Dalian University of Technology
展开答案与例子
答案：单个 episode 的局部奖励可能忽视跨天预算与收益。滑窗状态承载更长目标，逐步 gate 再决定当前决策需要多少长期指导，避免固定强度压过即时市场信号。训练中的 masked future plan 提供监督，不意味着执行时可读取真实未来；本地小规模零变化也不能被解释成长期竞价收益已验证。
教学例子：今天竞争激烈但本周后面仍有机会，长期计划可能建议保留预算；当前遇到高价值请求时 gate 又允许即时信号更强。真实出价仍只能依据当时可得信息。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
方法对比
SWAG-Bid训练中的masked future plan，与部署时可读取的真实未来有什么区别？
Beyond Single-Episode Optimization: Sliding-Window Aware Generative Auto-Bidding for Long-Term Advertising Effectiveness
问答新增：2026-10-27 · Alibaba International Digital Commerce / Dalian University of Technology
展开答案与例子
答案：训练可利用按协议构造并遮蔽的未来计划信号来学习条件化行为，执行时却只能使用当时允许的状态和估计，不能把事后真实GMV或成本补进输入。两类信息的可见性必须分开，否则得到的是未来信息诊断，而非可部署出价能力。
教学例子：历史数据能回看明天结果用于构造训练监督；今天出价时，不能直接读取明天实际花费来填计划。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
实现细节
SWAG本地公开数据是否有真实bid、budget和GMV？
Beyond Single-Episode Optimization: Sliding-Window Aware Generative Auto-Bidding for Long-Term Advertising Effectiveness
问答新增：2026-10-27 · Alibaba International Digital Commerce / Dalian University of Technology
展开答案与例子
答案：没有，当前是结构消融，非生产Decision Transformer检查点。计划mask和状态时间要严格因果，不能由未来观察补齐计划后再报告真实自动出价收益。
教学例子：例如电影行为上的一个动作分数，不代表广告竞价价格。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
基础理解
新鲜度研究为什么把训练去偏与serving探索分开？
Breaking the Loop: An Empirical Comparison of Strategies for Novelty and Freshness in YouTube Music
问答新增：2026-10-27 · YouTube Music / Google
展开答案与例子
答案：日志受既有曝光影响，新内容数据少；IPS或bias tower改训练信号，不确定性探索则改变实际曝光。两者干预位置不同，不能只靠加入发布时间消除反馈环。
教学例子：例如旧歌更常被展示导致数据更多，新歌需获得真实尝试机会。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
核心机制
YouTube Freshness 为什么区分训练去偏与 serving 探索，而不把新鲜度特征当作完整解决方案？
Breaking the Loop: An Empirical Comparison of Strategies for Novelty and Freshness in YouTube Music
问答新增：2026-10-27 · YouTube Music / Google
展开答案与例子
答案：新鲜度特征告诉模型内容年龄，却不自动改变旧曝光造成的标签偏差。IPS 与可移除偏置塔在训练端处理数据选择，SNGP 不确定性奖励在服务端为未知内容分配探索，两者作用阶段不同。探索收集新反馈，去偏改善已有反馈利用；都依赖校准与假设，不能只因头部占比下降就认定用户满意度提高。
教学例子：新视频没有点击不一定质量差，可能从未曝光。训练端校正旧曝光偏差，服务端给高不确定候选少量机会，再根据真实反馈更新，而非仅给所有新视频固定加分。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
方法对比
可移除bias tower与推理保留recency特征有什么区别？
Breaking the Loop: An Empirical Comparison of Strategies for Novelty and Freshness in YouTube Music
问答新增：2026-10-27 · YouTube Music / Google
展开答案与例子
答案：bias tower可吸收训练曝光偏差后移除，recency仍直接影响服务分。移除与保留改变目标，不能把训练偏差模型当作线上质量因素继续叠分。
教学例子：例如学习日志里旧内容优势，不代表部署应再次奖励旧内容。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
实现细节
本地SNGP代理或负结果能解释原YouTube在线试验吗？
Breaking the Loop: An Empirical Comparison of Strategies for Novelty and Freshness in YouTube Music
问答新增：2026-10-27 · YouTube Music / Google
展开答案与例子
答案：不能，当前没有连续训练基础设施和真实SNGP大模型。需分别报告干预、日志倾向与探索预算，IPS概率必须有来源，不能用物品流行度随意代替真实propensity。
教学例子：例如低流行并不等于当时被展示的概率低，两者统计对象不同。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
基础理解
PinDCO 为什么为图像、标题、版式使用组件专属 tower？
PinDCO: Whole-Page Aware Dynamic Creative Optimization at Scale
问答新增：2026-10-27 · Pinterest
展开答案与例子
答案：创意各组件模态与统计不同，独立编码后再学习其对基础广告的增量，便于比较同一广告不同组合。全混合容易丢角色差别，但组件塔也需交互才能表达搭配。增量是预测分变化，不自动等于随机实验测得的创意因果收益。
教学例子：同一商品换标题与换长图影响不同，专属塔让模型知道改的是哪部分；图片漂亮也可能配错文案，需要组合判断。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
核心机制
PinDCO 为什么预测创意相对基础广告的增量，并额外惩罚长宽比带来的像素占用？
PinDCO: Whole-Page Aware Dynamic Creative Optimization at Scale
问答新增：2026-10-27 · Pinterest
展开答案与例子
答案：基础广告分数包含商品和用户匹配信息，增量预测把学习重点放在图片、标题与版式改变了多少价值。较高创意还会占用更多瀑布流空间，像素调整乘子让收益与空间代价共同决定选择。探索流量为新创意补反馈；本地无真实像素实验，不能把代理特征结果解释为布局因果收益。
教学例子：同一广告有方图和长图，长图点击可能更高，却挤掉其他内容。只有增加的价值足以抵消像素惩罚时才选长图，而不是见到更高点击预测就直接占用更多版面。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
方法对比
PinDCO 的 ε-greedy 与只给历史最优创意流量，相比对新品反馈有什么作用？
PinDCO: Whole-Page Aware Dynamic Creative Optimization at Scale
问答新增：2026-10-27 · Pinterest
展开答案与例子
答案：贪心持续曝光旧赢家，新创意缺机会便难估；少量随机探索提供较少选择偏差的反馈，再训练组件价值。探索也有成本且不消除全部混杂，像素调整另管页面占用，不应把两者合并成一个收益保证。
教学例子：新标题暂没点击并不代表差，分一点探索流量才有证据；但不能为了探索把明显误导创意强推，目录与事实约束仍需保留。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
实现细节
PAM 的 clip 与相对长宽比 r，为什么需要精确保持？
PinDCO: Whole-Page Aware Dynamic Creative Optimization at Scale
问答新增：2026-10-27 · Pinterest
展开答案与例子
答案：P(r)=clip(1−tanh(k(r−1)),0,1) 使过高创意受惩罚并保持合法范围，乘在对应原目标 O 上。换成长宽比倒数或去掉 clip 会改变边界。本地 content norm 只是无像素替代，不能从该代理结果宣称真实版式效率。
教学例子：若 r 定义高宽比，误用宽高比就会惩罚宽图而非高图；公式都能算出有限数，却正好反转了屏幕空间代价方向。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
基础理解
UAME为什么同时预测均值与方差？
Uncertainty as Remedy: Mitigating Satisfaction Label Bias in Short Video Multi-Objective Ensemble Ranking
问答新增：2026-10-27 · Kuaishou Technology
展开答案与例子
答案：多个pxtr是潜在满意度的冲突代理，方差描述预测不确定性，解析高斯pair概率联合学习。线上只用均值，因此训练不确定性建模与服务打分分开。
教学例子：例如点击高但观看低的候选，其相对偏好可能比信号一致者更不确定。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
核心机制
UAME 为什么为排序分数学习均值和方差，训练时重点处理高冲突 pair，却线上只用均值？
Uncertainty as Remedy: Mitigating Satisfaction Label Bias in Short Video Multi-Objective Ensemble Ranking
问答新增：2026-10-27 · Kuaishou Technology
展开答案与例子
答案：多个 pxtr 是满意度的冲突代理，确定性分数难表达其分歧。均值—方差双头把得分建成高斯变量，用解析胜出概率进行 pairwise 学习，再提高高不确定 pair 的权重并约束方差。方差在训练中组织困难关系，服务只读取均值以保持路径成本；它表示模型化的不确定性，不是已观测到的真实满意度方差。
教学例子：两个视频一个更易点击、一个更可能长看，模型对胜负不确定。训练重点处理这类冲突，并约束随意抬高方差；上线仍输出一个均值分数参与排序。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
方法对比
不确定性加权与直接平均各pxtr有什么不同？
Uncertainty as Remedy: Mitigating Satisfaction Label Bias in Short Video Multi-Objective Ensemble Ranking
问答新增：2026-10-27 · Kuaishou Technology
展开答案与例子
答案：前者让高冲突pair获得更多训练关注，并建模比较概率；平均只固定合成代理。方差不是问卷真满意度，不能由高权重证明已解决所有目标冲突。
教学例子：例如两个候选各擅长不同指标，不该把冲突隐藏成一个无解释平均数。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
实现细节
UAME线上是否必须采Gaussian噪声，既有负结果怎样解释？
Uncertainty as Remedy: Mitigating Satisfaction Label Bias in Short Video Multi-Objective Ensemble Ranking
问答新增：2026-10-27 · Kuaishou Technology
展开答案与例子
答案：线上只读均值，不需训练用噪声或方差路径。当前公开proxy负结果说明映射未复现原收益，不应删除或外推否定原私有实验；方差和权重零范围边界要明示。
教学例子：例如所有pair不确定性相同，min-max分母为零需合法处理，而非制造NaN。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
基础理解
房产重排为什么要结合结构化属性与对话需求，而不只读文本描述？
LLM-Based Re-Ranking for Real Estate Search
问答新增：2026-10-27 · QuintoAndar
展开答案与例子
答案：宣传文字可能含糊，价格、面积、通勤等字段提供明确约束，对话又包含用户逐步表达的取舍。联合读取使模型可比较多条件满足度，候选集统计补相对环境。语言理解不能替代真实属性校验，也不能凭生成理由改写事实。
教学例子：房源都写交通便利，一套到地铁二十分钟、另一套五分钟，用户要求十分钟内时应依据结构字段，而不是谁描述更吸引人。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
核心机制
房产 LLM 重排为什么要读取候选集合统计，而不只独立比较查询与每套房源？
LLM-Based Re-Ranking for Real Estate Search
问答新增：2026-10-27 · QuintoAndar
展开答案与例子
答案：对话需求可能包含预算、通勤和空间等互相制约条件，房源描述与结构化字段也需要共同解释。候选集合统计提供当前可选范围，使模型进行相对取舍，补足向量相似度的局部匹配。列表变化会改变比较背景，所以分数未必可跨集合直接复用；重排也不能补回召回阶段漏掉的房源。
教学例子：用户想要地铁近且安静，候选都难两者兼得。读取整组后可说明哪套在通勤与噪声之间更平衡，而不是把每套宣传文本单独与查询做相似度比较。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
方法对比
LLM 相对重排与向量召回，为什么缺一方不能完成另一方任务？
LLM-Based Re-Ranking for Real Estate Search
问答新增：2026-10-27 · QuintoAndar
展开答案与例子
答案：召回从大库低成本选池，向量难表达复杂条件；LLM 在小池细比较但无法重排未召回房源。候选集依赖也增加成本，不能把小集合改善称全库搜索完成。来源本地电影代理缺真实对话和房产限制，只检验部分打分思路。
教学例子：最符合学区和通勤的房源没进前百，LLM 在其中再聪明也选不到；提高重排解释质量不能补回候选覆盖。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
实现细节
房产 LLM 评分的 Agg(X) 为什么必须随着候选集变化重算？
LLM-Based Re-Ranking for Real Estate Search
问答新增：2026-10-27 · QuintoAndar
展开答案与例子
答案：它代表当前列表统计，删增房源会改变相对预算与可选范围，旧聚合不再对应同一条件。结构字段与文本身份也要对齐，不能按真实成交先挑候选给模型。本地单品 scorer 与完整对话重排需按实际依赖区分。
教学例子：原候选全高价时某房显便宜，加入多套低价后不再如此；若继续用旧均价，模型的相对性解释就与真实列表不符。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
基础理解
Adaptive Ad Load 优化的决策变量为什么是每次请求的广告数量，而不只是广告排序？
Adaptive Ad Load Design for Sponsored Search Markets: Evidence, Theory, and Deployment
问答新增：2026-10-27 · University of Washington
展开答案与例子
答案：排序解决给定广告位里放什么，ad load 决定给请求多少广告位，直接影响用户体验、收入和后续转化。先估计不同数量下的供给与响应，再在约束内选择数量，才能处理广告供给的边际收益，而非默认所有请求都有相同容量。
教学例子：强购物意图搜索可能容纳更多相关广告，探索型搜索过量广告会挤压自然结果；两次请求即使候选广告相同，合理广告数也可能不同。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
核心机制
为什么搜索广告数量不能始终取使当前广告收入最大的那个值？
Adaptive Ad Load Design for Sponsored Search Markets: Evidence, Theory, and Deployment
问答新增：2026-10-27 · University of Washington
展开答案与例子
答案：广告数量同时影响收入、自然结果体验和转化，最优供给随请求而变。方法先借随机现场实验估计不同广告量的响应曲线，再在业务约束下选择请求级策略；拉格朗日权重表达目标之间的取舍。不能把相关性日志直接当增加一个广告位的因果收益，本地代理排序也未验证真实市场均衡。
教学例子：购物意图强的查询可容纳多个广告，导航型查询多塞广告反而妨碍用户；同样增加一格，两个请求的收入与体验变化可能相反。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
方法对比
用随机现场实验估计 ad load，和只回看既有日志中的高收入请求相比有什么识别差别？
Adaptive Ad Load Design for Sponsored Search Markets: Evidence, Theory, and Deployment
问答新增：2026-10-27 · University of Washington
展开答案与例子
答案：既有广告数量往往已由旧策略选择，收入差异可能来自用户意图而非广告数。随机变化数量更有机会区分供给变化的效果与请求本身差异。轻量策略再使用估计曲线作选择；公开排序代理没有真实供给干预，不能据其命中率推断数量的因果收益。
教学例子：原日志里高意图用户广告多且收入高，不能因此给所有人加广告；在相近请求中随机分配广告数，才能更接近观察增加一位的实际影响。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
实现细节
实现 ad load 选择时，为什么必须遍历可行数量并明确收入与转化项的口径？
Adaptive Ad Load Design for Sponsored Search Markets: Evidence, Theory, and Deployment
问答新增：2026-10-27 · University of Washington
展开答案与例子
答案：选择式在各可行 k 上比较收入与加权转化，候选数量、库存和业务限制决定合法集合，系数决定目标取舍。若不同 k 的估计来自不同口径，最大值没有可比意义。本地混合权重只在验证集选择，测试不能用于调出看似更好的数量策略。
教学例子：只允许零到三条广告时不能输出五条；若一项用每请求收入、另一项却用每广告转化率，也应先统一定义再比较不同数量。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
基础理解
Downstream Rewards 为什么用未来参与度筛选即时行为信号？
Long-term User Engagement Optimization through Model-agnostic Downstream Rewards Learning
问答新增：2026-10-27 · Pinterest
展开答案与例子
答案：即时点击或保存可能只是短暂吸引，未必对应后续活跃。筛选先找出能预测未来参与的行为，再训练可在线预测的附加头，让排序考虑更长价值。相关性只是候选证据，不证明该行为有因果促进；不同产品仍要独立验证。
教学例子：误触大图带来点击却很快离开，深入探索收藏可能更关联后续使用；先比较长期预测关系，再决定哪种行为值得成为附加目标。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
核心机制
下游reward为什么要先筛选对未来参与度的预测能力，而不是把所有即时行为都加进排序？
Long-term User Engagement Optimization through Model-agnostic Downstream Rewards Learning
问答新增：2026-10-27 · Pinterest
展开答案与例子
答案：即时行为和长期满意度可能相反，盲目增加目标会放大浅层互动或噪声。方法先提出多种下游信号并检验其与未来参与度的关系，只把通过筛选的reward head接入原有系统。预测关联仍不等于因果改善，因此跨产品接入后还需相应评价，不能把所有短期指标上涨相加当留存收益。
教学例子：一次点开大图可能只是误触，随后深入浏览相关收藏却更可能表示有价值的探索；先比较它们与未来活跃的关系，再决定哪种反馈值得成为附加目标。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
方法对比
附加 downstream reward head 与替换整个主排序器，接入方式有什么不同？
Long-term User Engagement Optimization through Model-agnostic Downstream Rewards Learning
问答新增：2026-10-27 · Pinterest
展开答案与例子
答案：附加头保留现有主干，以筛选后的长期代理预测作为额外目标或融合项，便于在多个 surface 使用。替换主模型涉及更多特征和部署变化。模型无关接入不代表标签含义通用，首页有效信号不一定适合通知，也不保证所有子指标提高。
教学例子：首页继续用原相关性模型，只额外预测深度消费；通知系统可以另定权重，但不能把保存和下载直接解释成通知留存。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
实现细节
训练 downstream reward head 时，未来窗口信息应放在哪一侧？
Long-term User Engagement Optimization through Model-agnostic Downstream Rewards Learning
问答新增：2026-10-27 · Pinterest
展开答案与例子
答案：未来行为可用于构造监督和筛选 reward，在线输入必须截止当前请求，不能将未来轨迹直接当特征。融合强度按验证口径选择后冻结。来源本地用未来类别覆盖代理长期参与，既不能偷读测试未来，也不能当作平台留存标签复现。
教学例子：用明天是否探索新主题训练今天的预测合理；上线今天若直接输入明天浏览记录，模型是在读取答案，而非预测长期参与。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
基础理解
GenPage 的整页动作为什么比逐物品预测更接近首页目标？
GenPage: Towards End-to-End Generative Homepage Construction at Netflix
问答新增：2026-10-27 · Netflix
展开答案与例子
答案：首页价值取决于内容类型、布局和项目之间的组合，单品各自高分仍可组成重复或不连贯页面。整页生成使上下文包含已选内容，长期奖励再评价页面整体。输出单位更大也带来更难的搜索与信用问题，不自动保证全局最优。
教学例子：一页全是同系列电影单条都相关，用户却缺少探索入口；整页目标可考虑同时放不同类型，让页面整体更有用。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
核心机制
GenPage直接生成整页，为什么还需要长期奖励后训练，而非只模仿已有页面？
GenPage: Towards End-to-End Generative Homepage Construction at Netflix
问答新增：2026-10-27 · Netflix
展开答案与例子
答案：行为克隆或SFT主要重现日志中的展示分布，未必表达不同位置、内容组合对长期价值的共同影响。整页奖励把评价对象提升到页面决策，再通过后训练调整策略，同时保留业务可行性与冷启动处理。页面级建模不保证因果最优，尤其不能把公开代理列表收益当作生产长期留存。
教学例子：日志里每行都堆热门内容，模仿会复制这种布局；整页评价可能发现适量新内容有助持续探索，但需真实长期反馈，而不是只凭标题多样就假定收益。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
方法对比
GenPage 的 WBC/SFT 与长期 RL 后训练，分别依赖什么证据？
GenPage: Towards End-to-End Generative Homepage Construction at Netflix
问答新增：2026-10-27 · Netflix
展开答案与例子
答案：模仿阶段借已有页面和加权示范建立可用策略，RL 再按长期反馈调整超出日志模仿的取舍。后者依赖可靠环境与奖励，不能由离线电影代理直接恢复真实留存。业务规则和冷启动也需要独立约束，而非完全交给单个长期数值。
教学例子：旧首页偏熟悉内容，模仿可快速学会可用布局；若真实长期反馈支持适度探索，后训练才有依据改变，不能凭空假设探索一定增加留存。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
实现细节
GenPage 本地 MovieLens 核心路径为什么不能当作 Netflix 整页生产实现？
GenPage: Towards End-to-End Generative Homepage Construction at Netflix
问答新增：2026-10-27 · Netflix
展开答案与例子
答案：公开数据没有真实首页布局、多形态内容与长期奖励，仅按固定候选协议检查代理机制。验收应明确哪些页面状态、约束与更新实际存在，不把一个排序列表改名为首页。来源本地也保留负结果，不能用原文线上收益填补缺失。
教学例子：十部电影排成列表没有轮播、文案与跨天反馈；它可以检验部分组合逻辑，却不能证明整页 UI 与留存策略都已上线可用。
依据：本地复现；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
基础理解
PIANO 的 IAN 为什么读取整张候选列表？
PIANO: Personalized Reranking via Information Aggregation Node for Music Search Optimization
问答新增：2026-10-27 · NetEase Cloud Music
展开答案与例子
答案：用户选择某项受同页替代与竞争影响，列表聚合为单品 CTR/CVR 提供当前可选环境；查询相关历史则提供用户需求。它把“谁和谁一起出现”纳入评分，和单品静态价值不同，列表变化后分数也可能变化。
教学例子：一双中价鞋在全是高价专业鞋的列表里显得实用，在入门低价列表里又不同；同一用户商品对的条件概率因此未必固定。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
核心机制
PIANO 为什么同时提取查询相关历史兴趣，又用整张候选列表反向条件化单品预测？
PIANO: Personalized Reranking via Information Aggregation Node for Music Search Optimization
问答新增：2026-10-27 · NetEase Cloud Music
展开答案与例子
答案：查询相关兴趣帮助模型从历史中选出当前搜索意图需要的部分；列表聚合节点则让单品 CTR/CVR 预测知道它处于怎样的候选集合中。前者解决用户历史与查询匹配，后者处理候选间的上下文关系。列表一变，条件化得分也可能变化，因此不能把它当作对每件商品独立、可任意跨列表复用的分数。
教学例子：用户平时买跑鞋，当前搜索登山鞋；先聚焦户外相关历史。同一双鞋放在全是高价专业鞋的列表中，与放在入门款列表中，选择概率也可能不同。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
方法对比
PIANO 列表条件化与独立 pointwise CTR，相比缓存与评估单位有何变化？
PIANO: Personalized Reranking via Information Aggregation Node for Music Search Optimization
问答新增：2026-10-27 · NetEase Cloud Music
展开答案与例子
答案：独立模型分数可在相同用户物品条件下复用，列表条件化还依赖整组候选，不能跨列表盲用缓存。更丰富上下文可能帮助竞争建模，也增加计算和候选分布敏感性。来源公开代理负结果不支持普遍优越结论。
教学例子：从十件候选删掉最便宜款后，其余预测可变；若复用删前分数，就没有让 IAN 反映新列表，和模型定义不一致。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
实现细节
PIANO 的列表 aggregation 在训练时如何避免 gold target 位置泄漏？
PIANO: Personalized Reranking via Information Aggregation Node for Music Search Optimization
问答新增：2026-10-27 · NetEase Cloud Music
展开答案与例子
答案：候选集合可输入，但排序、特殊标识与聚合不能按真实点击把目标提前或标记；标签只进入损失。padding 与候选数量也需 mask，查询取历史只能用既往事件。否则 IAN 可能读目标位置捷径，而非学习真实竞争。
教学例子：每次把正确商品放第一列再算 attention，模型易记首列；测试若也照做会虚高，应保持与真实服务同义的无答案候选布局。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
基础理解
Taiji为什么同时用语义奖励和协同ID奖励？
Taiji: Pareto Optimal Policy Optimization with Semantics-IDs Trade-off for Industrial LLM-Enhanced Recommendation
问答新增：2026-10-27 · Kuaishou Technology
展开答案与例子
答案：语言语义能解释内容，协同ID反映平台行为偏好，两者可能冲突。先激活推荐CoT，再动态平衡目标，避免单一语言偏好脱离真实交互。
教学例子：例如描述相似物品不一定被同类用户共同喜欢。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
核心机制
TAIJI 为什么动态平衡语义奖励和协同 ID 奖励，而不使用一组固定权重？
Taiji: Pareto Optimal Policy Optimization with Semantics-IDs Trade-off for Industrial LLM-Enhanced Recommendation
问答新增：2026-10-27 · Kuaishou Technology
展开答案与例子
答案：语义奖励衡量内容与解释的契合，协同奖励反映行为关系，不同样本可能需要不同取舍。固定加权只搜索有限方向，尤其可能遗漏非凸前沿上的有用方案；动态权重试图适配这些差异。反向偏好推理和拒绝采样先激活推荐推理，再做多目标对齐，但动态权重仍不能保证识别真实用户最优偏好。
教学例子：冷门新品缺乏行为反馈时多借语义，热门商品有充分交互时可更依赖协同信号。若所有样本都用七比三，可能同时不适合这两类物品。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
方法对比
动态Pareto权重与固定线性加权有什么区别？
Taiji: Pareto Optimal Policy Optimization with Semantics-IDs Trade-off for Industrial LLM-Enhanced Recommendation
问答新增：2026-10-27 · Kuaishou Technology
展开答案与例子
答案：固定权重只覆盖一定取舍，非凸前沿可能遗漏；动态权重试图适应样本或阶段。但没有真实多目标对照时，不能声称已找到全局Pareto最优。
教学例子：例如某用户更看重语义新颖，另一用户更依赖稳定行为证据。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
实现细节
Taiji拒绝采样和权重学习需要怎样隔离数据？
Taiji: Pareto Optimal Policy Optimization with Semantics-IDs Trade-off for Industrial LLM-Enhanced Recommendation
问答新增：2026-10-27 · Kuaishou Technology
展开答案与例子
答案：只用训练允许的偏好推理与验证信号筛候选，测试反馈不能选择CoT或目标权重。当前MovieLens代理未复刻真实LLM、私有协同码和生产服务。
教学例子：例如看完测试点击再挑一条能解释它的CoT，会泄露目标行为。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
基础理解
原始—对偶解码为什么可以不重训生成器？
Stochastic Primal-Dual Decoding for Multiobjective Generative Recommender Systems
问答新增：2026-10-27 · Spotify
展开答案与例子
答案：它在服务搜索时将原相关性分和辅助目标贡献结合，再动态调整乘子，改变每步选项而不更新模型权重。收益依赖候选与分数质量，不创造生成器未提供的知识；运行策略变了，成本、相关性损失和约束达成仍需分别测。
教学例子：原模型分数不动，解码逐步提高缺少新作者时的奖励权重；这是一种搜索控制，不是模型经过新数据学会偏好。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
核心机制
原始—对偶解码为什么要随剩余约束动态调整乘子，而不是固定加一个多样性分？
Stochastic Primal-Dual Decoding for Multiobjective Generative Recommender Systems
问答新增：2026-10-27 · Spotify
展开答案与例子
答案：固定权重无法根据已经生成的内容判断约束是否快要违约。原始—对偶解码在每个位置组合模型分数与辅助目标贡献，并按当前约束松弛量更新乘子，使后续选择补偿前面决策。不需要重训生成器，但只能在可选候选与局部解码范围内权衡，也可能牺牲相关性；并非所有硬约束都能自动满足。
教学例子：一张五条列表希望至少两条来自新作者。前四条只选到一条时，最后一步应提高新作者贡献权重；若早已满足，则无需继续用同样强度挤压相关性。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
方法对比
原始—对偶解码的软目标与硬合法性约束，能否互相替代？
Stochastic Primal-Dual Decoding for Multiobjective Generative Recommender Systems
问答新增：2026-10-27 · Spotify
展开答案与例子
答案：不能。乘子调整使某类贡献更受偏好，但非法库存或目录外对象需要明确排除；若可行候选本来不足，增大乘子也无法创造合法结果。软优化负责取舍，硬约束定义能选什么。来源未提供任意约束必达保证，不能把较高加权分写成严格满足。
教学例子：希望多推荐新作者可用软目标；已经下架的物品则应屏蔽，不能仅给它扣分后仍允许胜出，声称对偶更新已保证合法。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
实现细节
镜像下降更新为什么要求乘子非负，并注意指数数值范围？
Stochastic Primal-Dual Decoding for Multiobjective Generative Recommender Systems
问答新增：2026-10-27 · Spotify
展开答案与例子
答案：非负乘子对应约束惩罚方向，乘法指数更新在正初始化下保持符号，但过大步长可能溢出或迅速极端化。辅助贡献、目标 R/K 与分数单位也需一致。来源公式简写概率与 logit 时要遵循真实实现口径，不能任意互换。
教学例子：把观看秒数直接与概率混加可能让辅助项完全支配；指数连续放大后即使程序没报错，也可能只追配额而忽略用户相关性。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
基础理解
DeGRe 为什么用离线累计回报 evaluator，而不只把下一位置真实物品当标签？
DeGRe: Listwise Generative Reranking with Offline Lookahead Distillation
问答新增：2026-10-27 · Alibaba Group / Zhejiang University
展开答案与例子
答案：单点标签只说明日志路径，不能评价不同候选加入后整张列表的未来价值。evaluator 为多种前缀提供前瞻估计，离线 beam 探索后将这些价值传给生成器。目标因而从模仿单一路径扩展到列表结果，但 evaluator 的误差也会被蒸馏继承。
教学例子：先放一条基础教程可能引出后续进阶内容，单看当前点击未必高；累计评价尝试理解整段组合，再教生成器一次选得更好。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
核心机制
DeGRe离线做beam前瞻，为什么上线却只保留greedy generator？
DeGRe: Listwise Generative Reranking with Offline Lookahead Distillation
问答新增：2026-10-27 · Alibaba Group / Zhejiang University
展开答案与例子
答案：前瞻evaluator能比较不同前缀及其后续列表价值，但在线逐步搜索成本高。DeGRe离线探索高价值列表，再把每个前缀下剩余候选的价值分布蒸馏为软标签，让生成器在单步选择中近似吸收未来影响。蒸馏的是估计价值而非真实最优策略，evaluator偏差也可能被一起固化。
教学例子：第一项点分最高的候选可能使后面只能选重复内容；离线搜索发现另一开头能组成更好整页，再教greedy模型优先选它，而非上线每次重搜所有排列。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
方法对比
DeGRe 的 dense soft label 与只蒸馏 beam 最佳列表，有什么反馈密度区别？
DeGRe: Listwise Generative Reranking with Offline Lookahead Distillation
问答新增：2026-10-27 · Alibaba Group / Zhejiang University
展开答案与例子
答案：最佳列表只为每个位置给一个目标，dense 标签则对该前缀下所有剩余候选按前瞻价值分配概率，传递“接近好答案”的关系。列表权重再强调更高价值轨迹。分布更密不意味着更准确，错误 evaluator 会给更多候选传播偏差。
教学例子：两本书都适合作为下一项，软标签可分别给较高概率，单赢家只奖励其中一本；若估值把热门度当价值，两者也都会被带偏。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
实现细节
DeGRe 构造 qt 时，为什么要屏蔽已选物品并对同一前缀的剩余集归一？
DeGRe: Listwise Generative Reranking with Offline Lookahead Distillation
问答新增：2026-10-27 · Alibaba Group / Zhejiang University
展开答案与例子
答案：目标定义是下一位置的合法延续，已选物品重复进入会训练出重复列表。所有候选价值应对应同一前缀，softmax 范围和学生输出 mask 一致；不同前缀的价值不能直接混用。线上 greedy 仍需逐步更新已选状态，即使不再运行 beam。
教学例子：前缀已含电影甲，第二步的标签只在其他电影间分配；若甲仍在分母并高分，会诱导学生重复推荐它，偏离列表任务。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
基础理解
PRL-PUTS 中的 Pareto“不劣”，是否要求一项策略同时改善所有目标？
A Production-Ready RL Framework for Personalized Utility Tuning with Pareto Sweeping in Pinterest Recommender Systems
问答新增：2026-10-27 · Pinterest
展开答案与例子
答案：不要求。若没有其他策略在所有目标都不差且至少一项更好，这个策略就可能留在不劣集合；它可在 Repin 与 P2P 间作不同取舍。前沿内各点不代表同样适合业务，更不表示相对旧系统全部提升，还要看估计误差与实际约束。
教学例子：示意性地，甲两项目标为八和三，乙为六和五，两者互有取舍；丙为五和二则被甲支配，可剔除，但不能只凭前沿宣布甲乙都比线上好。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
核心机制
PRL-PUTS 为什么用双头 Q 值和 Pareto sweeping 预选权重，而不线上随意调单一奖励？
A Production-Ready RL Framework for Personalized Utility Tuning with Pareto Sweeping in Pinterest Recommender Systems
问答新增：2026-10-27 · Pinterest
展开答案与例子
答案：两个 Q 头分别估计不同业务效用，权重组合对应不同策略取舍。离线扫描权重并筛掉被其他策略同时支配的选择，可形成可治理的候选前沿；线上切换权重即可改变目标平衡，无须替换整套模型。但 Q 值误差和分布变化仍影响前沿可靠性，离线不劣不能直接推出线上更优。
教学例子：一组权重带来更多收藏，另一组带来更多后续互动。若某组两项都更差就先淘汰；保留下来的取舍点再供业务选择，而不是在真实流量里盲目搜索所有权重。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
方法对比
Pareto sweeping 与只选单一加权最高点，相比保留了什么业务选择？
A Production-Ready RL Framework for Personalized Utility Tuning with Pareto Sweeping in Pinterest Recommender Systems
问答新增：2026-10-27 · Pinterest
展开答案与例子
答案：单权重仅给一个折中，扫描不同权重并剔除被同时支配者，保留多种不劣策略供目标变化时选择。前沿依据离线估计，不是已测线上保证；同样值的误差也可能造成虚假不劣，需不确定性与实验验证。
教学例子：甲收藏更强、乙深度互动更强，两者都可留；丙两项都差应排除，而不是因为某个随意权重让它偶然得分高就上线。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
实现细节
PRL-PUTS 线上切换权重时，为什么仍要固定 Q 模型与动作空间版本？
A Production-Ready RL Framework for Personalized Utility Tuning with Pareto Sweeping in Pinterest Recommender Systems
问答新增：2026-10-27 · Pinterest
展开答案与例子
答案：权重只在同一组可比较 Q 值上改变取舍，若同时换模型或候选动作，便无法把变化归给策略。α 应在合法范围，两个头的量纲与收益定义也需记录。本地固定 scorer 代理不能自动证明完整长期 Q 学习和线上策略治理完成。
教学例子：从七三切五五同时重训一个 Q 头，指标改变不能全归配比；要检验权重策略，应先保持其余估计和动作一致。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
基础理解
GloRank 使用全局 SID 后，为什么可以选出局部候选池之外的物品？
From Local Indices to Global Identifiers: Generative Reranking via Global Action Space
问答新增：2026-10-27 · City University of Hong Kong / Kuaishou / UC San Diego
展开答案与例子
答案：局部索引只指向当前集合，生成全局标识则在整个物品空间定义动作，任务从重排扩展到重新提名。它可突破局部召回限制，也带来更大搜索空间、合法映射与列表目标难度，不能继续按固定候选重排的假设解释全部结果。
教学例子：局部列表只有五本热门书，编号排序永远选不到冷门专业书；全局 SID 可提名它，但必须确保目录合法且相关。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
核心机制
GloRank把局部候选编号换成全局SID后，为什么任务已超出普通重排？
From Local Indices to Global Identifiers: Generative Reranking via Global Action Space
问答新增：2026-10-27 · City University of Hong Kong / Kuaishou / UC San Diego
展开答案与例子
答案：局部编号只能指向上游给定的候选，生成这些编号仍受候选池上限限制。全局SID让模型在更大目录中表达选择，训练因而同时承担物品定位与列表效用对齐，不只是给既有项目换顺序。扩大动作空间也增加搜索与合法性难度，不能沿用封闭候选重排的简单评测口径。
教学例子：局部列表里只有十件商品，输出编号十一没有含义；全局码可指向原列表外的物品，但必须验证它在目录中可服务，而不是把新增搜索空间免费当成收益。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
方法对比
全局动作空间与局部重排，公平比较为什么需要说明候选权限？
From Local Indices to Global Identifiers: Generative Reranking via Global Action Space
问答新增：2026-10-27 · City University of Hong Kong / Kuaishou / UC San Diego
展开答案与例子
答案：若一方只能重排给定列表，另一方能全库生成，收益包含候选覆盖变化而非纯排序改进。需要明确全库或局部评估、合法映射和奖励口径。机制对比不允许把两种权限下的数值直接当同一组件消融，来源本地负向也应保留。
教学例子：生成器找到池外正确书而局部模型没权限选，不能把差异全归给重排网络更强；候选权本身就是重要变量。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
实现细节
GloRank 实现 listwise SFT 与组奖励时，为什么全局 SID 不能只用请求内下标代替？
From Local Indices to Global Identifiers: Generative Reranking via Global Action Space
问答新增：2026-10-27 · City University of Hong Kong / Kuaishou / UC San Diego
展开答案与例子
答案：请求内下标随候选排序变化，无法稳定表示全库物品，训练与解码必须使用可映射目录的全局路径。列表奖励也应针对实际生成身份，而非借测试答案修补非法码。本地代理不包含完整全局语言生成训练时，应按实际范围描述。
教学例子：本请求编号三是相机，下次编号三是帐篷；把三当全局 token 会让模型学到冲突含义，无法稳定生成池外物品。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
基础理解
Dual-Rerank 为什么分别使用 AR 教师与 NAR 学生？
Dual-Rerank: Fusing Sequential Dependencies and Utility for Generative Reranking
问答新增：2026-10-27 · Kuaishou Technology
展开答案与例子
答案：教师逐项条件化，适合学习前缀与顺序依赖；学生并行估计名次，减轻实时解码成本。训练把教师分布与效用迁给学生，服务不重复运行完整教师。并行输出仍需检查去重与位置一致性，也不能假定蒸馏保存全部教师能力。
教学例子：教师先选基础教程再选进阶内容，学生学习这种偏好后一次给多个位置评分；它不需要在线再逐项复制教师搜索。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
核心机制
Dual-Rerank的非自回归学生并行输出，怎样吸收自回归教师的顺序依赖？
Dual-Rerank: Fusing Sequential Dependencies and Utility for Generative Reranking
问答新增：2026-10-27 · Kuaishou Technology
展开答案与例子
答案：教师逐项条件化已有前缀，能学习列表中物品之间的作用，但服务成本随生成步骤增加。学生通过排序分布与utility蒸馏，把教师的顺序偏好压入可并行的名次估计，减少上线逐步调用。蒸馏只能近似教师依赖，并不使并行学生天然等价于每个前缀都重新计算的自回归模型。
教学例子：教师知道先展示教程会改变后面器材的价值，学生学习这种整体名次模式后一次给出列表；遇到新组合时仍可能无法完全复现教师的逐步判断。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
方法对比
效用蒸馏与只拟合 AR 概率，相比允许怎样的学生取舍？
Dual-Rerank: Fusing Sequential Dependencies and Utility for Generative Reranking
问答新增：2026-10-27 · Kuaishou Technology
展开答案与例子
答案：KL 关注分布接近，效用项让质量与服务约束共同参与学生目标，容许有限偏离教师以满足实际成本。效用代理若错误也会教坏学生，不能据目标里有延迟一词就认定真实服务更快；两种贡献应分别检验。
教学例子：学生可优先保留影响列表价值的关系，而不精确拟合所有尾部概率；若效用只奖励速度，也可能变成很快但无关的输出。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
实现细节
AR 与 NAR 做 KL 时，为什么候选、位置与 mask 需要同义对齐？
Dual-Rerank: Fusing Sequential Dependencies and Utility for Generative Reranking
问答新增：2026-10-27 · Kuaishou Technology
展开答案与例子
答案：教师每步受已选前缀约束，学生位置头可能并行看全部候选；蒸馏应明确比较同一事件空间，padding 和已选项处理一致。不能把最终教师分数复制给每个位置就声称学到顺序。候选列顺序错位时形状相同也不构成有效监督。
教学例子：教师第二位已排除第一位电影，学生若仍在全库归一，概率分母不同；必须定义映射，而非直接相减两个同长度数组。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
基础理解
SaFRO中一次候选rollout只有一个反馈，还是在多个任务轴上各有reward？
SaFRO: Satisfaction-Aware Fusion via Dual-Relative Policy Optimization for Short-Video Search
问答新增：2026-10-27 · Kuaishou Technology
展开答案与例子
答案：它把候选放在多个目标或任务轴下评价，rᵢ,ₜ中的i指候选、t指任务。同一个候选可能即时互动较好、长期信号较差，不能先把这些记录混成没有任务身份的单列分数。先保留这张奖励表，才有组内与任务间比较的基础。
教学例子：同一候选分别记录互动和留存代理，不要把两个数误记成两条不同候选的同一种反馈。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
核心机制
SAFRO 为什么在组内和任务间都做相对 advantage 归一化？
SaFRO: Satisfaction-Aware Fusion via Dual-Relative Policy Optimization for Short-Video Search
问答新增：2026-10-27 · Kuaishou Technology
展开答案与例子
答案：即时互动与长期留存的奖励尺度及难度可能不同，直接混合会让方差大或数值大的目标主导更新。组内归一化表达同一目标下哪些候选更好，任务间相对项再比较同一候选的多目标表现，关系门控组织搜索目标。归一化改善可比性，却不能自动决定长期价值权重，也不代表所有目标同时提升。
教学例子：点击分通常很密集，留存分稀疏且尺度更大。先在各自候选组里比较，再处理任务间差异，可减少模型只追逐数值最大的那一种奖励。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
方法对比
SaFRO把reward标准化后，是否就自动确定了即时互动与长期留存谁更重要？
SaFRO: Satisfaction-Aware Fusion via Dual-Relative Policy Optimization for Short-Video Search
问答新增：2026-10-27 · Kuaishou Technology
展开答案与例子
答案：不会。相对归一化处理尺度和比较基准，不能单独定义业务目标的价值取舍；关系门控负责组织目标融合，也不使代理反馈自动成为长期因果价值。需要分别说明奖励定义、统计轴与融合规则，而不是把“可比”解释成“同等重要”。
教学例子：把两种考试成绩都变成标准分，并不能决定毕业时各占多少权重；推荐多目标也要另说明取舍。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
实现细节
SaFRO本地MovieLens协议能复刻短视频留存信号吗？
SaFRO: Satisfaction-Aware Fusion via Dual-Relative Policy Optimization for Short-Video Search
问答新增：2026-10-27 · Kuaishou Technology
展开答案与例子
答案：不能，公开全库排序只检验代理核心计算，没有私有搜索、留存和在线分桶。需明确奖励轴与样本任务身份，保留负结果，不把同seed差写成线上A/B提升。
教学例子：例如电影离线命中率不是用户次日回访率。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
基础理解
CGR 把生成与奖励估计放在同一网络里，主要想统一哪两个决策？
Constraint-Aware Generative Re-ranking for Multi-Objective Optimization in Advertising Feeds
问答新增：2026-10-27 · Bilibili
展开答案与例子
答案：模型既提出下一项，也估计加入后的业务价值，使序列生成受已有前缀、广告位与负载规则共同影响。可行集合限制能选什么，奖励决定合法项之间怎样取舍。统一网络不是取消业务约束，更不是把奖励高视为自动合法。
教学例子：当前屏已达到广告上限，价值头再看好某广告也不能生成；在剩余自然内容里才继续按相关性与列表价值选择。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
核心机制
CGR把广告负载约束放进解码，和列表生成后再删掉多余广告有什么不同？
Constraint-Aware Generative Re-ranking for Multi-Objective Optimization in Advertising Feeds
问答新增：2026-10-27 · Bilibili
展开答案与例子
答案：事后删除会改变上下文和剩余配额，原来为某个前缀估计的价值可能不再成立。CGR在逐步生成时维护可行集合，并结合奖励估计提前剪去不可行分支，使搜索预算集中在满足业务规则的列表上。它优化的是受约束的整体选择，不能把高分但不可执行的列表当作有效输出。
教学例子：五个位置最多允许两个广告，前两步已用满配额时，后续直接屏蔽广告；若先生成四个广告再删，剩余位置和原预测列表已不是同一对象。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
方法对比
CGR 的约束感知剪枝与固定单品排序，有什么前缀依赖差别？
Constraint-Aware Generative Re-ranking for Multi-Objective Optimization in Advertising Feeds
问答新增：2026-10-27 · Bilibili
展开答案与例子
答案：固定排序认为候选价值不随已选项改变，CGR 每步根据前缀更新可行集合与奖励，因此位置和数量规则直接改变后续选择。它可减少事后修补，却需要可靠价值估计及搜索预算，不能据一次代理比较证明全局最优列表。
教学例子：第一位已经放广告，第二位因间隔规则只能选自然内容；普通单品分数不变，而前缀可行集合会立刻变化。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
实现细节
CGR 的 F(y<t) 在实现中应随着哪一步更新？
Constraint-Aware Generative Re-ranking for Multi-Objective Optimization in Advertising Feeds
问答新增：2026-10-27 · Bilibili
展开答案与例子
答案：每次选定新项后都要更新前缀、负载和位置状态，再构造下一步合法集合，保证剪枝与实际列表一致。不能先生成整条序列再假装每步满足约束。空可行集合也应有明确终止或合法回退，不能悄悄生成违规项填满长度。
教学例子：还剩一个位置但广告配额已用完，应从自然内容选；若自然内容也为空，就报告或按定义终止，而非无视配额补一条广告。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
基础理解
LTV Video Ranking 为什么先校正位置再分配会话长期价值？
A Long-term Value Prediction Framework In Video Ranking
问答新增：2026-10-27 · Alibaba Group / Tsinghua University
展开答案与例子
答案：展示位置影响观看与互动，未校正时前位内容可能获得不应归于质量的信用。PDQ 将不同位置结果对齐，再汇总会话与跨日创作者价值，减少把位置机会误当长期贡献。分位校正仍依分布假设，不等于所有曝光混杂都被消除。
教学例子：第一位视频比第五位更易被看，不能把全部差值归于作者优质；先对齐位置条件，再比较它带来的后续消费。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
核心机制
LTV视频排序为什么先处理位置偏差，再把会话与跨日创作者价值纳入目标？
A Long-term Value Prediction Framework In Video Ranking
问答新增：2026-10-27 · Alibaba Group / Tsinghua University
展开答案与例子
答案：前排内容更容易被看到，直接把观测互动当长期价值可能奖励展示机会而非真正贡献。位置校正先尽量对齐可比反馈，再通过会话归因与作者周期任务表达更长时间范围的价值。位置分位映射和长期归因各有假设，不能把两者叠加后的分数直接解释成已识别的因果留存增量。
教学例子：一个创作者总被放首位因而互动高，另一个常在后排；先控制展示机会，再看谁带来后续持续消费，才不至于把排位优势误当长期内容价值。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
方法对比
长期创作者价值与只按单条观看秒数排序，相比奖励单位有何不同？
A Long-term Value Prediction Framework In Video Ranking
问答新增：2026-10-27 · Alibaba Group / Tsinghua University
展开答案与例子
答案：单条秒数反映即时消费，作者周期任务看跨日持续价值，可能鼓励稳定内容供给而非一次吸睛。两种价值需要明确融合，长期代理也可能偏向既有头部作者。机制更长远不意味着已验证留存或生态改善，来源公开代理不含真实作者周期。
教学例子：一条夸张视频短期长看，但持续优质系列让用户多日返回；排序目标若只看当前秒数，就难奖励后一种贡献。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
实现细节
PDQ 的分布映射为何必须区分原位置分布与目标参考分布？
A Long-term Value Prediction Framework In Video Ranking
问答新增：2026-10-27 · Alibaba Group / Tsinghua University
展开答案与例子
答案：先在候选原位置条件分布求分位，再经统一参考分布逆映射，才表达可比较尺度；若两步都用同一原分布会近似还原原值。经验分布应从允许数据拟合，不能用测试后行为调参。缺少真实位置日志时只能做明确代理。
教学例子：第五位观看在该位置属前百分之十，映到参考位置对应值；若直接把第五位分位再逆映回第五位，就没有完成跨位置对齐。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
基础理解
Spatial Ads为什么把屏幕位置之间的干扰建模？
Online Advertising with Spatial Interactions
问答新增：2026-10-27 · Google Research
展开答案与例子
答案：一个广告的价值可能受邻近广告影响，独立位置竞价忽略空间外部性。分组圆盘与覆盖约束描述可兼容选择，再通过LP和随机舍入得到可行集合。
教学例子：例如两条相邻大广告互相遮抢注意，单个位置价值不能简单相加。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
核心机制
Spatial Ads 的 LP 舍入为什么针对整个原始采样集合判冲突，而不是按贪心已选集合逐个接受？
Online Advertising with Spatial Interactions
问答新增：2026-10-27 · Google Research
展开答案与例子
答案：圆盘选择同时受空间冲突与同组约束，独立采样后的保留概率修正基于原始采样事件推导。若改成贪心逐个接受，后面的条件分布与冲突概率就变了，不能沿用原保证。真正求解 LP 并按规定舍入，是这里的算法核心；本地仅做小规模数学诊断，未验证线上广告收益。
教学例子：两个广告圆盘互相冲突，贪心先留下甲会改变乙面对的条件。原算法先固定整份随机采样，再据其中所有冲突决定保留，不能把二者当作同一个过程。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
方法对比
真实LP加两阶段舍入与贪心逐个放广告有什么不同？
Online Advertising with Spatial Interactions
问答新增：2026-10-27 · Google Research
展开答案与例子
答案：LP处理分数可行域，采样后冲突针对原整个采样集，再二次稀释；贪心只看已保留集合会改变选择概率和保证条件。不能用启发式兜底冒充原算法。
教学例子：例如某候选虽最终没留，若在原采样集里冲突仍影响规定事件。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
实现细节
圆盘边界与采样概率不合法时怎样处理？
Online Advertising with Spatial Interactions
问答新增：2026-10-27 · Google Research
展开答案与例子
答案：覆盖用严格距离小于半径，不含边界；距离需满足协议且稀释概率合法，不满足就失败。当前用真实HiGHS LP，未复现论文所有拍卖或二维PTAS结论。
教学例子：例如概率算到大于一不能直接clip后继续声称相同舍入分布。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
基础理解
HCUB 的上下文树为什么需要动态选择粗细粒度？
Hierarchical Contextual Uplift Bandits for Catalog Personalization
问答新增：2026-10-27 · Dream11
展开答案与例子
答案：细节点更贴近个体场景却样本稀少，父节点数据多但更粗。动态粒度与奖励继承在冷启动时借用较稳统计，数据积累后增加本地权重。它不是固定人群标签，树结构与混合系数也会影响偏差，不能把细分越多当越准确。
教学例子：新用户的细分节点只有两次反馈，先借上层群体估计；积累百次后再更多依赖本地，避免两次偶然点击决定长期策略。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
核心机制
HCUB为什么让稀疏上下文继承父节点奖励，同时仍保留探索项？
Hierarchical Contextual Uplift Bandits for Catalog Personalization
问答新增：2026-10-27 · Dream11
展开答案与例子
答案：细粒度用户群体数据少，完全独立估计会高方差；继承父节点提供较稳定起点，随着本地反馈增加再提高专属信息权重。动作选择依据增量收益并加入不确定性探索，避免永久锁定早期看似最好的动作。层级共享也可能掩盖少数群体差异，因此不能用父节点平均值替代所有局部证据。
教学例子：新出现的某设备用户群只有几次反馈，可先借更大地域群体经验；后续若本地偏好不同，估计应逐渐改写，而探索让这种差异有机会被发现。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
方法对比
HCUB 的增量收益加 UCB 与按绝对点击率贪心，相比探索目标有什么不同？
Hierarchical Contextual Uplift Bandits for Catalog Personalization
问答新增：2026-10-27 · Dream11
展开答案与例子
答案：增量试图判断动作相对参考改变多少，探索项补偿不确定性，而点击贪心偏向本来就高响应的场景。两者回答不同问题；因果增量需要合适数据支持，置信 bonus 也不是因果识别工具。公开电影代理无法证明真实干预收益。
教学例子：某高活跃群体本来就点，增动作帮助很小；低活跃但可被有效动作改善的群体才可能值得探索，而非总选最高原始 CTR。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
实现细节
HCUB 父子奖励混合时，怎样避免稀疏子节点反向污染全部父节点？
Hierarchical Contextual Uplift Bandits for Catalog Personalization
问答新增：2026-10-27 · Dream11
展开答案与例子
答案：应明确局部估计与父级先验的更新范围，混合读取不等于把一次子反馈复制到整棵树。η 和探索不确定性要随定义使用，动作身份保持一致；没有观测的动作不能随意记失败。否则共享机制会放大噪声而非缓解冷启动。
教学例子：一个新子群偶然点击某动作，可更新其统计并影响合法祖先汇总，但不能给所有兄弟节点都加一次成功，假装它们也获得同样反馈。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
基础理解
HarmonRank 为什么把各任务从分类分数转到名次关系？
Rethinking Multi-objective Ranking Ensemble in Recommender System: From Score Fusion to Rank Consistency
问答新增：2026-10-27 · Kuaishou Technology
展开答案与例子
答案：不同目标概率尺度与基准率不同，直接相加容易让某项数值主导。可微 rank-sum/AUC 先强调任务内部相对次序，再学习目标之间依赖形成统一序。名次也会丢失绝对价值幅度，不能称为所有业务量纲都已被公平保留。
教学例子：点击率数值大、购买率很小，直接合并可能忽略购买；先比较各自谁更优可减少尺度支配，但无法单凭名次表达收益差多少。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
核心机制
HarmonRank为什么先对齐各任务的名次，而不是直接融合未经处理的预测概率？
Rethinking Multi-objective Ranking Ensemble in Recommender System: From Score Fusion to Rank Consistency
问答新增：2026-10-27 · Kuaishou Technology
展开答案与例子
答案：不同目标的概率尺度与标签频率不一致，直接融合容易受校准或稀疏程度支配。可微rank-sum目标先让任务学习相对次序，再以任务间attention表示购买、评论等依赖并给出统一排序。名次对齐不保留全部绝对概率信息，适用目标和约束仍需单独检查，不能把它当通用概率校准器。
教学例子：购买率通常比点击率小很多，直接相加时点击可能压倒购买；先比较候选在各任务中的相对次序，再学习任务关系，可减少这种纯数值尺度支配。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
方法对比
目标间 self-attention 与固定加权融合，相比如何处理冲突目标？
Rethinking Multi-objective Ranking Ensemble in Recommender System: From Score Fusion to Rank Consistency
问答新增：2026-10-27 · Kuaishou Technology
展开答案与例子
答案：固定权重预设全局取舍，attention 可依据目标表示学习依赖与条件组合，让一个目标影响另一个的使用方式。它增加适应性，也可能让高频目标主导，必须按任务与样本检查。来源本地负结果不支持把依赖建模直接等同于更高质量。
教学例子：高点击但低购买的商品需要不同于两项都高的处理，动态依赖可表达这种条件；简单七三加权则对两类始终使用同样系数。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
实现细节
实现 soft AUC 时，为什么 batch 内必须同时有正负样本并明确无效任务？
Rethinking Multi-objective Ranking Ensemble in Recommender System: From Score Fusion to Rank Consistency
问答新增：2026-10-27 · Kuaishou Technology
展开答案与例子
答案：排序目标依赖正负比较，只有一类标签的切片无法形成同义 AUC；需按约定 mask 或报告不可估，不能默认满分。目标间模块输入也应对应一致候选身份。可微近似的温度和采样影响梯度，不等于真实全数据 AUC。
教学例子：一批购买标签全零，不能把该任务“排序全对”记为一；应标记无可比较 pair，避免它误导第二阶段目标融合。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
基础理解
HiGR 为什么在整页生成中先选语义簇再选物品？
HiGR: Industrial-Scale Hierarchical Generative Slate Recommendation Framework in Tencent
问答新增：2026-10-27 · Tencent
展开答案与例子
答案：层级结构把大物品空间拆成粗兴趣与具体身份，页面可先组织不同簇，再细化对象，有助表达组合。粗码错误会限制后续候选，簇间覆盖也不等于相关性好。整页目标与量化质量都需检验，不能只看列表看起来更多样。
教学例子：先安排教程、工具和案例三个方向，再选具体内容；若误把用户需求归到娱乐簇，后续选再多不同娱乐项目也可能无关。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
核心机制
HiGR先选语义簇再选物品，为什么还需要整页偏好对齐？
HiGR: Industrial-Scale Hierarchical Generative Slate Recommendation Framework in Tencent
问答新增：2026-10-27 · Tencent
展开答案与例子
答案：层级ID降低了物品定位难度，但分别选中相关物品并不保证列表互补与顺序合理。Hierarchical Slate Decoder组织粗到细生成，ORPO再用好坏整页偏好调整组合分布。偏好反馈仍只覆盖已评估组合，不能因为有层级结构就声称长尾覆盖或页面效用必然提高。
教学例子：簇级选择都命中运动主题，生成结果却可能全是近似跑鞋；整页偏好可教模型换入袜子或训练内容，而不只是逐个奖励主题相关。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
方法对比
HiGR 的 ORPO 与单纯页级 SFT，偏好证据怎样不同？
HiGR: Industrial-Scale Hierarchical Generative Slate Recommendation Framework in Tencent
问答新增：2026-10-27 · Tencent
展开答案与例子
答案：SFT 模仿正页面，ORPO 还用胜负页的相对 odds 调整，让模型知道哪些组合更好而非仅复制一种。偏好标签与量化结构可能有偏，不能因多样性提高就宣称总体改善。来源本地 NDCG 下降，应连同头部变化一并报告。
教学例子：两页单条都相关，一页重复一页互补，偏好对给出组合差别；只学其中正页未必明确惩罚另一页，ORPO 增加了相对监督。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
实现细节
HiGR 的概率进入 logit odds 时，为什么要明确序列概率与数值边界？
HiGR: Industrial-Scale Hierarchical Generative Slate Recommendation Framework in Tencent
问答新增：2026-10-27 · Tencent
展开答案与例子
答案：页面概率是条件 token 概率的联合，直接连乘易下溢，应在 log 空间按定义计算；odds 又涉及一减概率，需稳定边界处理。不能拿任意未归一分数当概率。层级码映射和重复约束也要与页身份一致。
教学例子：长页面联合概率极小，浮点乘成零后再取 log 会无穷；用稳定 log 概率保留差异，但不能随意换成长度均值而不说明目标变化。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
基础理解
DRL-PUT 为什么把 utility 权重当动作，而非直接生成物品？
Deep Reinforcement Learning for Ranking Utility Tuning in the Ad Recommender System at Pinterest
问答新增：2026-10-27 · Pinterest
展开答案与例子
答案：已有 CTR、CVR、相关性和收益模型继续提供候选分数，策略只决定当前请求如何组合，动作更受控也便于接入。反馈评价权重诱导出的列表结果，不能直接解释成每个物品的独立因果贡献。该方法改变配置策略，不是重建所有评分器。
教学例子：相同候选三份分数可由七二一或四三三权重产生不同排序，策略选择配比；商品表示和底层点击网络可以保持不变。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
核心机制
DRL-PUT学习的是推荐物品本身，还是多个utility分数的组合方式？
Deep Reinforcement Learning for Ranking Utility Tuning in the Ad Recommender System at Pinterest
问答新增：2026-10-27 · Pinterest
展开答案与例子
答案：动作是相关性、CTR、CVR等分数的权重配置，策略依据请求状态决定如何组合已有预测器。这样可以在不替换所有底层模型的情况下适配业务取舍；离线利用日志策略概率校正动作分布差异。若某些权重在历史中几乎没被采用，就缺少可靠反馈支持，不能凭离线大权重宣称线上最优。
教学例子：同一批广告已有点击与转化分，策略可对探索型请求更重相关性，对明确购买请求更重转化；变化的是决策组合，而非重新生成所有广告表示。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
方法对比
DRL-PUT 的离策略更新与直接拟合日志中最高 reward，有何分布区别？
Deep Reinforcement Learning for Ranking Utility Tuning in the Ad Recommender System at Pinterest
问答新增：2026-10-27 · Pinterest
展开答案与例子
答案：日志动作来自 μ，目标策略 π 的选择频率不同，概率比试图校正这种差别。忽略它会偏爱旧策略常试的动作。校正要求动作支持与可靠记录，极端比值也增加方差，并非对所有混杂自动免疫；本地公开代理不等于真实广告随机日志。
教学例子：旧系统几乎总用高 CTR 权重，多数高 reward 自然也来自它；这不证明其他配比无效，还需要知道各动作实际获得多少机会。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
实现细节
计算 DRL-PUT 的 π/μ 时，日志中的动作身份为何必须和概率一一对应？
Deep Reinforcement Learning for Ranking Utility Tuning in the Ad Recommender System at Pinterest
问答新增：2026-10-27 · Pinterest
展开答案与例子
答案：实际执行配比、行为概率、上下文与 reward 要保持同一事件配对，否则重要性权重失去含义。μ 为零时没有支持，不能以任意小常数假装可无偏外推；基线 b 也不能读取测试结果。只存最终列表不足以还原完整离策略更新。
教学例子：执行七三配比却记录四六配比的概率，会给错误梯度倍数；即使 reward 和列表都真实，也无法修复这一动作日志错位。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
基础理解
SORT-Gen的ordered regression预测的是下一件商品ID，还是前缀累计行为达到各档的概率？
A Generative Re-ranking Model for List-level Multi-objective Optimization at Taobao
问答新增：2026-10-27 · Alibaba / Taobao & Tmall
展开答案与例子
答案：它为列表前缀预测累计点击或支付数是否达到各档，再从这些结果估计前缀价值；不是直接把档位当物品编号。档位轴与列表长度轴都有各自含义。先分清预测对象，才能理解为何加入一个候选后需要重新评价整个前缀。
教学例子：长度为三的列表可预测累计点击是否至少一次、至少两次；这两个输出并不是推荐商品一和商品二。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
核心机制
SORT-Gen 为什么用累计行为数的 ordered regression 估计前缀价值，而不把单品 CTR 相加？
A Generative Re-ranking Model for List-level Multi-objective Optimization at Taobao
问答新增：2026-10-27 · Alibaba / Taobao & Tmall
展开答案与例子
答案：单品分数忽略已选列表对下一物品的影响。ordered regression 在每个前缀预测累计行为是否达到各档，从分布估计加入候选后的边际价值；目标队列减少搜索候选，张量掩码加速批量评估，MMR 直接参与选择。它建模的是列表条件价值，仍依赖代理标签和搜索范围，不能把加速队列当作全局最优搜索。
教学例子：前两条已经是相似手机，再放第三条手机未必增加多少互动。模型比较加入耳机后的累计行为分布，而不是只看第三条手机独立 CTR 是否略高。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
方法对比
MMR进入生成选择与生成后再去重有什么区别？
A Generative Re-ranking Model for List-level Multi-objective Optimization at Taobao
问答新增：2026-10-27 · Alibaba / Taobao & Tmall
展开答案与例子
答案：选择时就权衡边际价值与相似性，会影响后续前缀；事后删除只修最后列表，可能留下空位或错过早期更优组合。两者并不等价。
教学例子：例如第一步选了高重复内容，后处理删掉它也不能完全重现另一条生成路径。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
实现细节
SORT-Gen本地单批模型调用等于原文19ms kernel吗？
A Generative Re-ranking Model for List-level Multi-objective Optimization at Taobao
问答新增：2026-10-27 · Alibaba / Taobao & Tmall
展开答案与例子
答案：不等于，只是PyTorch批量mask计算路径，未包含生产优化。MovieLens评分与流行度代理点击交易及上游分，不是真GMV；prefix累计目标和候选mask须正确对齐。
教学例子：例如一个批次函数只调用一次，不表示设备内部执行成本与专用kernel相同。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
基础理解
CDM 为什么把多样性理解为当前已选前缀下的边际收益？
Contextual Distillation Model for Diversified Recommendation
问答新增：2026-10-27 · Kuaishou Technology
展开答案与例子
答案：同一物品是否有增量价值取决于列表已有内容：第一条科幻片可能丰富，第四条相似科幻片则冗余。MMR 教师显式结合相关性与重复惩罚，学生学习该上下文收益以便低延迟服务。多样性不是给某个物品永久增加固定分数。
教学例子：列表已有两部同导演作品，再放第三部的边际价值可能低；若列表尚无该导演，同一影片则可能是很好的补充。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
核心机制
CDM把MMR教师蒸馏给学生，学生为什么必须看同请求候选的上下文？
Contextual Distillation Model for Diversified Recommendation
问答新增：2026-10-27 · Kuaishou Technology
展开答案与例子
答案：一个物品是否被MMR选中取决于其他候选及其重复程度，单看物品本身无法恢复这种集合关系。CDM学习目标物品相对上下文的入选倾向，再与原推荐分结合，把昂贵的逐步去冗余知识转成可服务的评分。学生近似不保证完全复刻教师列表，本地缩小实验也不能推出生产多样性收益。
教学例子：同一段旅行视频，在十段近似视频里可能被淘汰，在全是做饭视频的列表中却很独特；不输入候选上下文，学生无法区分这两种情况。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
方法对比
CDM 蒸馏与每次在线直接运行 MMR，相比节省了什么又引入什么误差？
Contextual Distillation Model for Diversified Recommendation
问答新增：2026-10-27 · Kuaishou Technology
展开答案与例子
答案：直接 MMR 每步根据已选集合重新计算惩罚，蒸馏学生将这种规则近似写入可快速预测的模型，减少在线迭代成本。近似可能在新候选分布或长列表下失真，需要核验精度与多样性，而非只看延迟；来源代理改进不证明教师规则已被无误复现。
教学例子：教师反复比较候选和已选项，学生一次近似给出边际分；若遇到训练没见过的高度重复候选，学生可能低估冗余，仍需检查。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接
搜广推 / 列表与业务控制：重排、出价和长期价值
实现细节
CDM 教师生成序列时，为什么选出一项后要更新相似度惩罚？
Contextual Distillation Model for Diversified Recommendation
问答新增：2026-10-27 · Kuaishou Technology
展开答案与例子
答案：MMR 惩罚相对当前已选前缀的最大相似度，每次加入新项都会改变剩余候选的边际分。若一次算完固定分再排序，就不是同一上下文决策。学生训练标签也应对齐相应前缀，不能把不同阶段的收益混成一个静态单品目标。
教学例子：选中第一条露营教程后，另一条近重复教程应被重新降权；若仍使用空列表时的得分，两条可能相邻出现，失去教师的去冗余作用。
依据：背景与主要改动、核心公式；例子用于解释机制。
原论文 · 实现解读 · 问题链接