跳转至

复现总览

这是全部 reproduction adapter、实现状态和实验结论的底层统一总表。后续新增论文或 重跑实验时，只更新本页和对应论文 README，不再新建阶段性审计或批次汇总页。

工业搜广推论文可按公司、主题或 年月浏览；基础模型的架构、预训练、多模态与推理效率进入 基础模型目录，训练后算法进入 LLM 后训练。论文详情和物理路径保持不变。

每轮新增论文不再依赖零散搜索记录，而是先建立候选全集、再逐项进入明确终态；规则、 机器账本和强制校验见论文发现闭环与防遗漏审计。

原论文关键图规范

每篇论文页在“背景与主要改动”和“核心公式”之间固定展示一张原论文关键图， 优先选择架构图、模型结构图或训练/推理流程图。图片本地保存到论文目录的 assets/paper-figure-01.png，页面同时链接原始来源并保留版权说明。论文没有 结构图时，选择最能解释方法的原始流程、算法或实验截图；无法自动取得全文的 页面必须明确写出公开来源边界，不能用本地 Mermaid 图冒充原论文截图。

新增或刷新论文图时执行：

python -m pip install -e '.[paper-figures]'
python scripts/sync_paper_figures.py --only <arXiv ID 或论文目录关键词>

全库检查可执行：

python scripts/sync_paper_figures.py --workers 3
pytest tests/test_research_module_docs.py

抽取器优先使用 arXiv HTML 的图注关系，老论文自动回退到 PDF 图注定位裁剪。 少数非 arXiv 论文使用脚本中经过人工核验的公开 PDF 映射；稳定注释标记允许 后续重复刷新而不产生重复小节。

选文与记录规则

  • 工业论文硬门槛：正文必须披露真实生产流量的量化线上 A/B；或由用户明确认可论文所述的统计显著全流量发布、业务收益与 guardrail 结论。仅“已部署”、离线 SOTA 或模拟器结果不算；未披露具体 lift 的 full-traffic 论文必须明确标注，不能换算成百分比。
  • 基础模型论文门槛：不要求线上 A/B，但必须有公开 benchmark、同预算对照和可在 WikiText 等公开数据上实际训练的核心方法；只写公式或固定打分不进入复现表。
  • 具名例外：SASRec、TIGER、Wide & Deep、DCN-V2、DIEN、BST、DeepFM、YouTube DNN、ESMM、MMoE、PLE 是用户明确要求补齐的经典骨架；其中缺量化线上 A/B 的条目会逐篇明示，不据此放宽后续新工业论文的门槛。
  • 本地结果口径：每篇 README 明确基线、实验组、数据、主指标和相对变化；论文线上结果、本地跨模型比较、模块消融和效率对照分开写。
  • 保真度：公开数据替代私有数据或缩小规模可以接受；核心网络、训练目标或推理路径被 heuristic 替代时，只能标为“概念验证”。默认批量运行不包含概念验证。
  • 论文信息：每篇 README 顶部固定列出论文链接、公司/机构、精确首次公开日期及来源、原作者是否开源代码、Adapter 和本地复现代码位置；未找到原作者代码时必须明确写“否”，不能留空。没有独立 arXiv 页的正式会议论文使用官方论文集/机构发布页，不伪造 arXiv ID。

统一 DIN 实验使用 MovieLens-100K、时间 leave-two-out、全物品排序和 seeds 42/43/44；SERAL、LEADRE、COBRA、ARGUS、GR4AD、MM-LLM 使用同一 DIN NDCG@10 0.02167，Cross-domain KD 在独立 target split 上使用 DIN 0.05518。这些结果只代表当前公开小数据协议，不等同于论文私有工业数据结论。

当前进度

  • angle · ANGLE：层次文本标识、生成/判别/排序联合目标与动态约束检索。
  • sas-attention · SAS：用 softmax 内连续 log-gate 让语言模型损失端到端训练稀疏上下文排序。
  • mima · MIMA：以同请求多正例、排他匹配和兴趣激活校准缓解多兴趣坍缩。
  • chronicle-rec · ChronicleRec：近密远疏压缩、因果时间锚点、多 horizon 与 alignment 预训练。
  • pindco · PinDCO：组件专塔增量融合、整页像素惩罚、预筛与探索反馈闭环。
  • gese · GESE：集合级标题探索、忠实度约束与上下文个性化选择。
  • lazformer · LazFormer：可迁移生成式预训练、排序残差适配与近密远疏注意力。
  • sirf · SIRF：将策略规范内化为可训练交互特征，并以独立的高分位误惩罚约束验证策略决策。
  • unirec · UniRec：统一预排/精排融合、纵向偏好对齐与组相对正则。
  • sequenceo1 · SequenceO1：固定预算 Sketch Attention、近期分支与超长序列缓存设计。
  • baff · BAFF：RTB 共享日志的广告排名/出价双轴干扰过滤。
  • allecompanion · AlleCompanion：类别约束双塔、ComCat 互补类别图与受控 Category Adapter。
  • autolr · AutoLR：多专家评审、证据加权实验预算与确定性上线晋级门。
  • beaconkv · BeaconKV：用 query 簇 beacon 预测长推理中的远程 KV 重访。
  • kvmem · KVMEM：分页 KV 虚拟化与查询相关 Agent 工作区物化。
  • coral · CORAL：Meta 的约束配置、短期实验记忆与生产效果反馈闭环。
  • recevolve · RecEvolve：Google 的知识驱动提案、隔离实验、回滚与防 reward hacking 控制器。
  • random-attention · Random Attention：prompt 保护、逐 head 随机 KV 淘汰及真实 Qwen/A100 验证。
  • lngram-v2 · Lngram v2：离散 latent n-gram memory、GQA zero sink 及真实 VLM/A100 验证。
  • rest · ReST：双门控时序编码与可复用用户前缀的工业排序。
  • tgr · TGR：统一生成式排序、语义 ID 和离线 reason token。
  • camie · CAMIE：用共同互动对齐多模态商品向量。

  • setmir · SetMIR：兴趣集合预测、presence 门控与动态 ANN 派发。

  • 已审计个人博客两个工业落地章节的 94 个主条目和 138 个 arXiv 链接。

  • 已登记并复核 292 个 adapter；其中推荐论文继续执行线上 A/B/full-traffic 证据门槛，基础模型论文执行公开 benchmark 与真实训练门槛。
  • 暂缓：AIGQ（缺等价 query/CTR reward）、RaG（依赖视频生成与质量反馈）、RoleGen（缺 conversion trajectory 与线上反馈闭环）、LCU（数据需保密协议）。
  • 跳过：EGA-V1；仅有离线结果或无法核验量化线上 A/B 的论文不进入实现队列。
  • 2026 年剩余硬门槛论文已进入核心机制复现；2026-07-27 的 P1 批次加入 8 篇工业推荐论文，并把 Engram、Looped Latent Attention、GaugeQuant 三个真实算子接入 LLM evolve。GRACE、DLMRec、LO-FAR、PRL 因缺量化线上证据未纳入推荐复现。
  • 2026-07-28 最近论文增量加入 Meta Mosaic、快手 UniR²、美团 CORE 与基础模型 DataOrchestra；前三篇均通过量化线上 A/B 门槛，DataOrchestra 有官方代码与公开预训练 benchmark。
  • 2026-07-30 跨领域增量加入腾讯 CCFormer、Teads Open Web UFM、Meta ROCS 与基础模型 WIDE；前三篇分别提供线上 A/B、全生产流量或量化部署证据，WIDE 提供官方代码和公开剪枝/吞吐实验。
  • 2025 工业 P0 补漏加入 MIM、FilterLLM、FuXi-α、RecGPT-V2、HiGR、DRL-PUT、AdaF²M²、MGOE 与 Click A Buy B；9 篇均有量化生产 A/B，并已在 MovieLens-1M 上执行独立核心机制。
  • 2025 LLM evolve P0 加入 DeepSeek NSA、Qwen Gated Attention 与 Moonshot Muon；结构和优化器可组合搜索，并完成 WikiText-2 同预算对照与四轮 evolve。

Google / Meta 正文证据补漏（10 个 P0 adapter）

  • memory-layer · Meta Memory Layer：训练内 eta=1 writeback 把 item cache 纳入模型状态，并用 always-on 属性表征覆盖冷启动与缺失 ID。
  • scalr · Meta SCALR：从跨域事件学习条件分布，以概率采样而非 top-k 复制生成覆盖更广的训练事件。
  • hill-index · Meta HILL：以 coarse-to-fine residual quantization 学习分层索引并减少在线候选打分量。

  • semantic-native-longseq · Google Semantic-Native Long Sequence Modeling：用层级语义 ID、bigram、时间折叠及 global-local pooling 扩展视频历史。

  • ha-moe · Google Discover HA-MoE：异构性门控多专家；7 天 1% 流量 A/B。

  • dual-sid · YouTube Dual-purpose Semantic IDs：SID 同时表达协同身份并重建内容 embedding。
  • agentic-rec-tune · Google Discover AgenticRecTune：Actor–Critic–SkillHub 多轮推荐优化闭环。
  • mfli · Meta MFLI：多切面可学习实时检索索引。
  • kunlun · Meta Kunlun：GDPA、分层 seed pooling 与 CompSkip 的统一深层架构。
  • ultra-hstu · Meta ULTRA-HSTU：semi-local attention、LBSL 与 Mixture of Transducers。

这批候选均由机构/主题先召回，再逐篇检查正文和表格；不再要求摘要先出现 A/B 关键词。六篇均完成公开数据实验、固定指标、论文原图与 evolve 可执行映射（AgenticRecTune 对应控制器回归样例，而非伪造网络结构）。

2026 历史 P0 · H02（8 个 adapter）

  • drem · DrEM：以偏好保持噪声筛选、pair-label 翻转风险反演和一致性融合稳定多路 pxtr 排序。
  • incrementality · From Prediction to Incrementality：以潜在结果差和不确定度执行同预算因果 targeting，不再按 treated outcome 直接排序。
  • tm20k · TM20K：教师保留完整历史，学生用连续 token merge 与注意力蒸馏压缩超长序列。
  • transx · TransX：分离可缓存行为流和请求时服务流，以 cross-attention 降低重复计算。
  • snaplgr · SnapLGR：共参与传播、分层 residual SID、token grounding 与 SID sequence SFT。
  • psg · PSG：在 ordered pair 空间生成并展开 slate，将六 item 解码缩短为三步。
  • director · DIRECTOR：用 Sinkhorn transport 和全局匹配并行生成无重复动态索引 slate。
  • reward-guided-decoding · Reward Guided Decoding：以 KL 正则闭式策略在不重训生成器的情况下引入业务 reward。

八篇均保存 seeds 42/43/44 的公开数据结果、原论文关键图、线上证据与明确复现边界；对应结构已注册为可执行 genrec evolve mutation。

2026 历史 P0 · H03（9 个 adapter）

  • specformer · SpecFormer：谱软化 attention 与谱残差位置编码。
  • egr · EGR：共享编码器联合学习 item 索引向量和用户查询向量。
  • zorro · ZoRRO：零训练参数的 recency、语义和类别关系排序。
  • elise · Apple Music ELISE：dense/lexical 分位数校准与混合检索。
  • poem · POEM：由实时多目标排名信号构造偏序行为序列。
  • uniformer · UniFormer：特征空间与任务空间统一 token 交互。
  • rag-generation · Recommendation as Generation：解耦语义 ID 连接推荐和内容生成。
  • onerank · OneRank：Transformer-native 多任务私有通道与梯度隔离。
  • piano · PIANO：query-driven interest refiner 与 listwise information node。

九篇均执行独立核心计算、保存三随机种子公开结果和原文关键图，并注册为可执行 genrec Evolve 算子。所有本地结果只用于机制验证，不外推为论文生产 lift。

2026 历史 P0 · H04（9 个 adapter）

  • atomic-intent · Atomic Intent Reasoning：以层级原子意图树拆解查询，再按候选与意图路径的一致性重排。
  • toolrec · ToolRec：联合建模工具相关性、置信度校准和业务代价，过滤过度触发的工具推荐。
  • ssrlive · SSRLive：静态与动态语义 ID 配合用户—直播间交叉模块，统一内容身份和实时状态。
  • taiji · Taiji：在语义匹配与协同信号之间自适应选择 Pareto 工作点。
  • primal-dual-decoding · Stochastic Primal-Dual Decoding：解码时动态更新约束乘子，在相关性与业务约束之间逐步校正。
  • muchator · MuChator：从多轮会话发现潜在意图，并把显式与隐式反馈共同用于候选排序。
  • causal-representation · Causal Representation Learning for Generalisable Recommendation：残差化环境混杂因素，保留跨环境更稳定的因果偏好表示。
  • policy-facet · Policy-Grounded Dynamic Facet Suggestions：以离线 taxonomy、在线召回和策略约束排序生成动态搜索 facet。
  • pa-bridge · PA-Bridge：对齐主动搜索与被动推荐的表征分布，桥接两类用户表达信号。

九篇均保留论文生产证据和公开数据复现边界，使用 MovieLens 三随机种子执行相互独立的核心机制，并把对应结构注册为可运行的 genrec Evolve mutation；本地负结果不会被隐藏或改写为提升。

2026 历史 P0 · H05（10 个 adapter）

  • marc · MARC：从中间层抽取任务相关表征，显式解耦推荐适配与低维压缩。
  • rankup · RankUp：随机置换多 embedding、全局 token 和任务解耦共同提升表征有效秩。
  • sid-coord · SID-Coord：用层级 SID、目标感知 HID–SID 门控和兴趣对齐增强长尾泛化。
  • rclrec · RCLRec：把转化相关行为逆序组成短课程，为稀疏转化提供中间监督。
  • tagllm · TagLLM：用用户兴趣手册约束细粒度多模态标签，再将标签能力蒸馏到小模型。
  • genfacet · GenFacet：联合生成搜索分面和改写 query，并以检索满意度做偏好对齐。
  • cgr · CGR：在自回归重排中直接执行约束感知奖励剪枝。
  • hpgr · HPGR：以 session 层级预训练和偏好引导稀疏注意力改造平铺行为序列。
  • climber-pilot · Climber-Pilot：将多步消费前瞻蒸馏到单步召回，并在 attention 内注入业务指令。
  • rolegen · RoleGen：通过功能角色和反事实转化路径发现能激活休眠用户的桥接物品。

十篇均有独立核心计算、seeds 42/43/44 公开数据产物、论文关键原图和可执行 genrec Evolve operator；线上数字与本地机制实验严格分栏记录。

2026 历史 P0 · H06/H07（15 个 adapter）

  • unimvt · UniMVT：联合学习去偏 CTR 与因果 uplift，显式估计 treatment 和 counterfactual 响应。
  • rq-gmm · RQ-GMM：以残差高斯混合量化替代硬聚类，用概率语义 ID 增强多模态 CTR。
  • capts · CAPTS：以价值感知匹配和跨渠道自适应路由选择 I2I 召回 trigger。
  • mlcc · MLCC：分层压缩并交叉低维特征，在受控计算量下扩大推荐网络容量。
  • ug-sep · UG-Sep：拆分用户侧与通用计算，复用只需计算一次的表示。
  • smes · SMES：用渐进式稀疏路由和去重执行，为不同任务动态分配专家容量。
  • pit · PIT：按用户动态组合 item token，使生成式推荐的语义 ID 表达个体偏好。
  • zenith · Zenith：以 Prime Token Fusion 和 Boost 扩展直播排序模型。
  • easq · EASQ：用独立 LoRA 与多任务路径把稀疏问卷满意度接入在线学习。
  • s2gr · S2GR：把语义引导逐步写入潜空间推理，增强生成式推荐的中间决策。
  • sparsectr · SparseCTR：组合全局、转移和局部稀疏注意力，建模千级长期行为序列。
  • hcub · HCUB：用层级上下文 uplift bandit 学习目录个性化的增量收益。
  • airbnb-ebr · Airbnb EBR：用旅程级检索和多阶段排序统一体验推荐链路。
  • promise · PROMISE：以过程奖励监督生成式推荐的中间推理。
  • harmonrank · HarmonRank：用关系感知注意力和一致性约束协调多阶段工业排序。

十五篇均有相互独立的核心机制、seeds 42/43/44 公开数据结果、论文关键原图和可执行 Evolve operator。H06/H07 完成后，冻结的 55 篇 2026 历史 P0 队列已全部实现。

2026-08-24 近期跨领域增量

  • oneshot-index · OneShot：Meta/Instagram 将层级索引与排序目标共同训练，并以 neural scoring 替代纯点积检索；已全量部署全球流量。
  • clockrope · ClockRoPE：YouTube/Google DeepMind 从周期 kernel 的 Fourier 频谱采样旋转频率，为生成式召回显式建模日、周 routine。
  • next-vlm · NEXT：Meta 用 8B VLM 构造 item→intent→item 的 directed NKG，并把推理移到离线、线上只注入验证边。
  • onemodel · OneModel：小红书以共享长序列 backbone、场景门控和分层用户表征统一推荐、广告与商家排序，并披露三个生产场景的量化 A/B。
  • rare · RARE：把表征编辑方向投影到 MoE router 零空间，并在下游保护层校正传播漂移，保持原专家路径。

2026-08-26 最新增量

  • tagr · TAGR：快手直播广告用稳定词表的两级语义/协同 ID、多尺度兴趣和行为价值门控做生成式推荐；论文生产 A/B 的 LRE +8.5%、SCC +7.4%、Revenue +16.1%。
  • wemm-embedding · WeMM-Embedding：微信把多模态对齐、跨尺度 teacher refinement 与 Matryoshka embedding 合成统一检索模型；报告说明 14 项线上 A/B 收益已全量发布并公开代码与权重。

2026-08-27 最新增量

  • dceo · DCEO：淘宝搜索以上下文条件 actor 直接优化长期用户价值的相对因果效果；41 天生产 A/B GMV +0.36%。
  • transretrieval · TransRetrieval：跨域广告召回使用 norm-aware 聚合、target-token 压缩和位置化 domain embedding；一个月 5% 流量 A/B 收入 +2.53%。
  • vbvr-pro · VBVR-Pro：以任务专用可执行 scorer 替代通用 VLM judge，为原生视觉推理提供状态级 verifiable reward。
  • mllmclip · MLLMCLIP：从 MLLM 各层按 attention 选 teacher token，再以 CKA 对齐轻量 CLIP 的视觉与文本特征。

2026-08-29 最新增量

  • friend-gnn · VK Friend-GNN：以多哈希共享表压缩超大用户 embedding，并用按时间排序邻接与二分 cutoff 避免时序邻居采样的数据泄漏；论文在 VK 生产 A/B 中报告好友添加数 +16.0%、独立添加好友用户数 +11.5%。
  • pace-vlm · PACE：用浅层视觉 preview 自适应设置 token budget，并融合 LLM/ViT 注意力；真实 Qwen2.5-VL + RealWorldQA 路径在 A30 验证。
  • twinkv · TwinKV：以 orphan/donor 配对修复任意 KV eviction policy，保持缓存预算严格不变；真实 Qwen3 KV + WikiText-2 长上下文路径在 A30 验证。

2026 历史扫描 B01～B03（18 个 adapter）

  • dynamic-codebook · Dynamic Single-Level Large Semantic Codebook：曝光加权动态大码本、独立碰撞码和短 SID 解码。
  • netflix-mediafm · Netflix Multimedia Asset Personalization：冻结多模态特征、统一资产双塔和查询感知打分。
  • ogr · Once Generated, Ranked：统一语义-协同 ID、列表规划与保守策略对齐。
  • inthq · IntHQ：长短双流上的分层任务交互查询。
  • pushdualgen · PushDualGen：先生成 SID，再按需生成可解释 copy。
  • recharness · RecHarness：用 bandit 在有限预算下路由多轮结构实验。
  • gala · GALA：多模态三元组预训练、GRPO 行为对齐和 ID 门控融合。
  • feedback-policy · Feedback-Grounded Policy Discovery：从反馈发现生成策略并蒸馏到线上轻量排序器。
  • real-estate-rerank · LLM-Based Re-Ranking for Real Estate Search：结合对话意图、房源文本和候选集合统计重排。
  • adaptive-ad-load · Adaptive Ad Load Design：在收入与转化约束下动态选择广告数量。
  • guess-where-you-go · Guess Where You Go：时空 SID、课程训练和长期反馈策略优化。
  • genpage · GenPage：以单模型生成整页并用长期奖励后训练。
  • journeyformer · JourneyFormer：统一编码长期与短期 Airbnb guest journey。
  • l2rec · L2Rec：个性化双视图 LoRA-MoE 与跨视图融合。
  • qgs · QGS：query-item 联合序列、Linear HSTU 和生成式搜索。
  • tubifm · TubiFM：同一 user-story foundation model 统一三种排序任务。
  • pearl-percentile · PEARL：多样本对比得到低方差、低偏置的行为 percentile。
  • dadf · DADF：冻结基模型并学习分布感知的乘性残差校正。

本轮全域 P0 补齐（19 个 adapter）

每篇详情页都给出原文代码状态、核心公式、原论文关键图、原文效果、本地公平基线、固定指标与可执行命令；本地负结果同样保留。

本轮全域 P1 补齐（8 个 adapter）

2026-08-09 P0/P1 增量（9 个 adapter）

前四篇工业论文满足量化线上 A/B / 全量部署门槛；后五篇归入基础模型目录。所有条目均已执行核心机制并保存 seed 42 指标，负结果与不显著线上结果不做美化。

2026-08-13 MR7 增量（3 个 adapter）

  • sona · Sona：压缩历史、Semantic ID 自回归生成与 item ranker 单模型替换音乐推荐级联。
  • metastrategy · MetaStrategy：LLM 生成 typed strategy，由确定性 compiler 执行多目标排序。
  • gas · GAS：用可删除 MoT 生成分支执行连续 Next Embedding Prediction，以零部署开销增强多模态理解。

两篇工业论文均在正文披露真实流量量化 A/B；本地 MovieLens-1M 训练均保留负结果，不把原文线上收益移植为复现指标。GAS 属于基础模型/多模态论文，不要求线上 A/B，本地公开像素实验与论文数字分栏呈现。

2026-08-20 工业增量（2 个 adapter）

  • connectionmind · ConnectionMind：Meta 与密歇根州立大学将时序异构图、最短路径 SFT、规则奖励 GRPO 和路径蒸馏组合为社交推荐系统；数千万用户多周 A/B 的曝光、观看时长和 session 均有量化提升。
  • dream · DREAM：淘宝在原召回/排序链路上增加三层意图、策略记忆、typed 参数编译与离线/在线 Reward Dual Loop；精排+重排线上 IPV +2.71%、Core IPV +3.06%、GMV +1.31%。

两篇均执行了各自核心训练/控制链路；ConnectionMind 使用论文同款 Delicious 数据并保留 NDCG@10 -7.44% 的负结果，DREAM 的本地正向相关性伴随明显头部偏置，文档同时披露。

2026 历史扫描 B04～B06（19 个 adapter）

19 篇均逐篇核验正文中的生产 A/B 位置，并在 MovieLens-100K 的相同切分、候选集与 seed 42 下运行独立核心机制；线上数字与本地结果严格分栏。

B04

B05

  • aigq · AIGQ：混合 query 生成与 IL-GRPO。
  • safro · SaFRO：满意度感知的双重相对策略优化。
  • sort-ranking · SORT：工业 Ranking Transformer 系统优化。
  • quasid · QuaSID：资格感知的 SID 碰撞约束。
  • gpl-prerank · Generative Pseudo-Labeling：LLM 伪标签增强在线预排序。
  • ltv-video-ranking · Long-term Value Prediction：位置去偏与长期价值建模。

B06

  • rgalign-rec · RGAlign-Rec：排序器指导的潜在 query 对齐。
  • linkedin-feed-sr · LinkedIn Feed SR：工业长序列 Feed 排序。
  • cadet · CADET：候选后上下文条件化广告 CTR。
  • diffureason · DiffuReason：扩散式潜在推理与 GRPO。
  • sarm · SARM：MLLM 语义 anchor 增强直播排序。
  • ml-dcn · ML-DCN：Masked Low-Rank DCN 特征交叉。
  • rag-qac · RAG-QAC：RAG 与多目标对齐的查询补全。

2026 历史扫描 B07（9 个基础模型 / 基础设施 adapter）

全部复现（262/262）

保真度 Adapter / 论文 原论文线上效果 本地结论
核心机制 pace-vlm · PACE 无工业 A/B；论文报告 10% 视觉 token 保留 93.8% 平均性能、TTFT 最高 3.1× APC/DDAE 公式、RealWorldQA 同 checkpoint 质量/token/延迟/显存和 Evolve 配方均可审计
核心机制 twinkv · TwinKV 无工业 A/B；LongBench/LooGLE/RULER/MMLU-Pro 离线结果且含失败任务 fixed-budget repair、真实 Qwen3 KV reconstruction/延迟/显存和 Evolve attention operator 均可审计
核心机制 prl-puts · PRL-PUTS P2P impressions +0.30% 双头 Q 网络与 Pareto utility 扫描；NDCG@10 +39.64%
核心机制 ektm · Effective Knowledge Transfer for Multi-Task Recommendation Models eCPM +3.93% 任务相似度驱动的多任务知识迁移；NDCG@10 +10.98%
核心机制 adasid · AdaSID GPM +1.16% 碰撞负载与语义相容性驱动的动态 SID；NDCG@10 -6.30%
核心机制 unirec-coa · UniRec GMV +5.60% 属性链生成与业务偏好对齐；NDCG@10 -4.93%
核心机制 uniscale · UniScale GMV +2.04% Entire-Space 数据与模型协同扩展；NDCG@10 -2.20%
核心机制 gatesid · GateSID GMV +2.60% 冷启动感知的语义/协同门控；NDCG@10 +34.95%
核心机制 aigq · AIGQ GMV +10.68% 混合 query 生成与 IL-GRPO；NDCG@10 +8.09%
核心机制 safro · SaFRO watch time +0.61% 满意度感知的双重相对策略优化；NDCG@10 +81.86%
核心机制 sort-ranking · SORT orders +6.35% 工业 Ranking Transformer 系统优化；NDCG@10 -13.11%
核心机制 quasid · QuaSID GMV-S2 +2.38% 资格感知的 SID 碰撞约束；NDCG@10 -0.55%
核心机制 gpl-prerank · Generative Pseudo-Labeling CTR +3.07% LLM 伪标签增强在线预排序；NDCG@10 +12.84%
核心机制 ltv-video-ranking · Long-term Value Prediction VV +2.49% 位置去偏与长期价值建模；NDCG@10 +9.73%
核心机制 rgalign-rec · RGAlign-Rec CTR@3 incremental over QE-Rec +0.13% 排序器指导的潜在 query 对齐；NDCG@10 -14.03%
核心机制 linkedin-feed-sr · LinkedIn Feed SR time spent +2.10% 工业长序列 Feed 排序；NDCG@10 -0.12%
核心机制 cadet · CADET CTR +11.04% 候选后上下文条件化广告 CTR；NDCG@10 -6.20%
核心机制 diffureason · DiffuReason ad consumption +1.15% 扩散式潜在推理与 GRPO；NDCG@10 -6.50%
核心机制 sarm · SARM watch count +1.19% MLLM 语义 anchor 增强直播排序；NDCG@10 +44.74%
核心机制 ml-dcn · ML-DCN platform-wide CTR +1.89% Masked Low-Rank DCN 特征交叉；NDCG@10 -2.08%
核心机制 rag-qac · RAG-QAC suggestions taken +3.46% RAG 与多目标对齐的查询补全；NDCG@10 -4.48%
核心机制 dynamic-codebook · Dynamic Codebook 消费指标 +0.792%，解码 FLOPs 约 -48% 动态码本与碰撞码；NDCG@10 -18.73%，保留负结果
核心机制 netflix-mediafm · Netflix MediaFM Search playthrough +0.36% 冻结多模态特征与查询打分；NDCG@10 -9.52%
核心机制 ogr · OGR Effective Views +1.120% 统一 SID、列表规划与保守对齐；NDCG@10 +13.25%
核心机制 inthq · IntHQ UVCTR +1.60% 分层任务查询；NDCG@10 -7.38%
核心机制 pushdualgen · PushDualGen 有效播放率 +8.50%、不满意率 -37.70% SID→可选 copy；NDCG@10 +1.19%
核心机制 recharness · RecHarness ADVV +2.084%、Revenue +0.534% UCB 预算路由；NDCG@10 -9.02%
核心机制 gala · GALA 订单量 +0.55% 多模态行为对齐门控；NDCG@10 -5.60%
核心机制 feedback-policy · Feedback Policy Revenue +4.506%、ADVV +4.621% 反馈策略与保守增量；NDCG@10 +2.76%
核心机制 real-estate-rerank · Real Estate Re-ranker CTR +5.3%、预约看房 +4.8% 文本/属性集合重排；NDCG@10 -8.21%
核心机制 adaptive-ad-load · Adaptive Ad Load Revenue +36.8%、Conversion -1.1% 受约束广告负载；NDCG@10 持平
核心机制 guess-where-you-go · Gwhere P-CTR +5.83%、U-CTR +6.20% 时空 SID 下一 POI；NDCG@10 +9.38%
核心机制 genpage · GenPage 核心参与度 +0.24%、时延 -20% 页面联合效用；NDCG@10 -3.98%
核心机制 journeyformer · JourneyFormer Bookers +0.55%、Booked Nights +0.82% 长短 journey 时间编码；NDCG@10 -2.77%
核心机制 l2rec · L2Rec CTR +9.24%、Reply Rate +3.15% 双视图个性化适配；NDCG@10 -5.04%
核心机制 qgs · QGS CTR +0.62%、PV Duration +3.55% query-conditioned SID 打分；NDCG@10 +0.73%
核心机制 tubifm · TubiFM Search TVT +3.9%、Carousel TVT +0.30% 统一三任务模型；NDCG@10 +0.45%
核心机制 pearl-percentile · PEARL Watch Duration +2.10%、Report Rate -6.91% 多样本 percentile；NDCG@10 -10.65%
核心机制 dadf · DADF Time Spent +0.649%、生产 MAE -12.57% 冻结基模乘性残差；NDCG@10 持平
核心机制 connectionmind · ConnectionMind Meta 数千万用户多周 A/B：曝光 +0.33%、观看时长 +0.43%、视频 session +0.22% Delicious-2K 路径 SFT→GRPO→蒸馏混合推理；NDCG@10 -7.44%，保留负结果
核心机制 dream · DREAM 淘宝精排+重排 IPV +2.71%、Core IPV +3.06%、GMV +1.31% 意图→策略记忆→安全编译→双环门控；NDCG@10 +39.36%，但 head share +94.37%
核心机制 gas · GAS 纯多模态：from-scratch Overall 47.25→48.25；推理开销 0% MoT + NEP + EMA；Fashion-MNIST QA 61.1%→63.5%，部署参数开销 0%
核心机制 sona · Sona Yandex Music Active Users +4.53%、时长 +6.30%、Likes +11.42% history compression + SID decoder + ranker；NDCG@10 -92.05%，保留负迁移
核心机制 metastrategy · MetaStrategy 淘宝 click PV +2.11%、IPV +3.12%、交易金额 +2.83% typed bundle + deterministic compiler；NDCG@10 -8.51%，head share -42.94%
核心机制 crsd · CRSD 美团 AdCTR +0.91%、AdCVR +1.06%、GTV +0.40% 两阶段 reasoning distillation；MovieLens-100K NDCG@10 -2.14%，保留负迁移
核心机制 twin-v2 · TWIN-V2 快手三场景 Watch Time +0.672%/+0.800%/+0.728%，主流量 层级压缩 + GSU/ESU；NDCG@10 +22.45%
核心机制 medusa · Medusa 纯 LLM：Medusa-1 2.2×，Medusa-2 2.3–3.6× WikiText-2 三 future heads；backbone calls -50%，输出完全一致
核心机制 awq · AWQ 纯 LLM：TinyChat 相对 FP16 超过 3× activation-aware W4；输出 MSE -4.22%
核心机制 smolvlm · SmolVLM 纯多模态：原文报告更低视觉 token 成本下保持竞争力 pixel-shuffle 视觉 token 16→4；Fashion-MNIST QA +19.0 points
核心机制 siglip2 · SigLIP 2 纯多模态：原文在多类图文 benchmark 改善语义与定位能力 sigmoid 对比 + masked-view 自蒸馏；Fashion-MNIST QA +56.9 points
核心机制 llava · LLaVA 纯多模态：ScienceQA 92.53% MLP projector 对线性 connector -3.4 points，保留小数据负结果
核心机制 blip2 · BLIP-2 纯多模态：zero-shot VQAv2 相对 Flamingo-80B +8.7 points 四 query Q-Former 将 token 16→4；accuracy -5.3 points，保留负结果
核心机制 speculative-decoding · Speculative Decoding 纯 LLM：T5-XXL 2–3× 且分布不变 低秩 draft + exact verification；target calls -75%，输出一致
核心机制 clip · CLIP 纯多模态：ImageNet zero-shot 匹配监督 ResNet-50 双向对比学习；Fashion-MNIST 图文任务 72.0%，打乱图像 10.3%
核心机制 sim · SIM 阿里 CTR +7.1%、RPM +4.4%，主流量 GSU/ESU 长历史检索；NDCG@10 +32.97%
核心机制 dme · DME 抖音搜索 Lifetime +0.1%，内部离线 +2.92% typed latent + cross reconstruction；MovieLens-100K NDCG@10 -8.84%，保留负结果
核心机制 steps · STEPS active days +0.2843%、permission disablement -1.9089%，已全量 planning/execution/filter 闭环；MovieLens-100K NDCG@10 +66.05%
核心机制 spear · SPEAR query-view CTR +0.259、reading depth +0.733，已全量 双 embedding + 乘法门；MovieLens-100K NDCG@10 +26.95%
核心机制 open-language-model · OpenLanguageModel 纯 LLM：四卡 weak scaling 90.6%；无线上 A/B olm_composable genome；WikiText-2 同预算 PPL 基本等价，验证可组合结构语义
核心机制 gryphon-v2 · Gryphon-v2 Yandex Music active users +1.41% rollout/impression 双路 teacher distillation；NDCG@10 -26.84%，保留负迁移
核心机制 degr · DEGR 京东 UCTR +1.22%、PV +0.20% diversity + adaptive reward ORPO；NDCG 持平、head share -1.21%
核心机制 rd-attnres · RD-AttnRes 纯 LLM：120M/343M PPL -2.97%/-2.43% 相对 Block AttnRes PPL +0.61%（变差），QK/V route JS=0.00489
核心机制 retoken · ReToken Visual Haystacks：Qwen3-VL-8B +13.4 points；无线上 A/B 单 retrieval target + value-cache Top-K；WikiText-2 PPL +3.70%（变差）
核心机制 ccformer · CCFormer 腾讯视频 CTR +3.57%、广告收入 +1.71%，实验后全流量 分字段 ID/content gate + 分层历史压缩；MovieLens-1M NDCG@10 +22.44%，token 24→12
核心机制 open-web-ufm · Open Web UFM Teads 50/50 A/B：CTR +2.13%、eCPC -1.13%、visit rate +2.37% 双裁剪对比预训练 + next-item 代理任务；MovieLens-1M NDCG@10 +0.00%，如实保留零收益
核心机制 rocs · ROCS Meta 检索最高 3× QPS；短视频排序 LogLoss -0.5%、QPS +50% request-once / candidate-late interaction；MovieLens-1M NDCG@10 +8.19%，进程内候选打分 129.58×
核心机制 wide · WIDE 纯 LLM：50% sparsity 下 kernel prefill 1.98×、decode 4.95× token 级 head/FFN group Top-K；WikiText-2 PPL +0.81%（变差），dense PyTorch 未获得 kernel 加速
核心机制 asarl · ASARL QQ 频道 CTR +2.69%、群 GSB +16.66%，1200 万 DAU Reason/Critic/Gen + SCT/PGO/SD；NDCG@10 -72.72%，保留代理负迁移
核心机制 oxygenrec-v2 · OxygenREC-v2 京东 UCTCVR +1.61%–+4.44%，首页 GMV +21.21% 行为指令 + privileged distillation；NDCG@10 -54.09%，保留代理负迁移
核心机制 reco-reward · RecoReward 快手有效用户渗透 +0.265%、外流曝光 +0.791% RAS target/non-target reward；Hit@10 -16.00%，保留负结果
核心机制 twice · TWICE expected revenue +2.486%、conversion +2.061%，已全流量 双时钟与 delay CDF；NDCG@10 +14.31%
核心机制 swag-bid · SWAG GMV +3.42%、ROAS +5.65% 滑窗 masked planner；NDCG@10 +0.00%
核心机制 youtube-freshness · YouTube Freshness 1-day new-release engagement +4.33% IPS + bias tower + uncertainty；head share -28.72%
核心机制 melo · Melo 系统级 A/B retention >2pp grounding + retry；fresh Hit@10 +50.00%，系统归因单列
核心机制 penelope · Penelope 纯 LLM：结构化推理 accuracy/compute 改善 两步 localized recurrence；composite loss -0.63%
核心机制 mim · MIM 淘宝 CTR +14.14%、RPM +4.12% 遮盖多模态对齐 + CiUBM；NDCG@10 +0.94%，Hit@10 下降
核心机制 filterllm · FilterLLM Cold-PV +5.13%、GMV +10.86% text-to-user-distribution；NDCG@10 -9.82%，保留负结果
核心机制 fuxi-alpha · FuXi-α 播放歌曲 +4.67%、时长 +5.10% 三通道交互；Hit@10 略升、NDCG@10 -4.25%
核心机制 recgpt-v2 · RecGPT-V2 淘宝 CTR +2.98%、IPV +3.71%、NER +11.46% 层级 agents + 约束路由；NDCG@10 +18.52%
核心机制 higr · HiGR 腾讯播放量 +1.73%、观看时长 +1.22% 层级 SID slate + ORPO；NDCG@10 -12.32%
核心机制 drl-put · DRL-PUT Pinterest 收入 +0.27%、CTR +1.62% logged bandit 策略调权；NDCG@10 +19.13%
核心机制 adaf2m2 · AdaF²M² 抖音活跃天数 +1.37%、时长 +1.89% feature-mask multi-forward + adapter；NDCG@10 +2.42%
核心机制 mgoe · MGOE 阿里 GMV +16.46%、CVR +5.88% macro task graph experts；NDCG@10 +7.03%
核心机制 click-a-buy-b · Click A Buy B Pinterest 主业务指标 +0.25% CABA/CABB + taxonomy；NDCG@10 +33.70%
核心机制 mosaic · Mosaic Meta 三个 surface +0.10%/+0.15%/+0.28% 四 specialist + MRM + CRL；NDCG@10 +3.49%，Hit@10 -7.69%
核心机制 unir2 · UniR² 快手播放量 +1.177%、点赞率 +2.560%；极速版送礼金额 +2.569% DQ-PCA + ranking LoRA；SID code accuracy +34.04%，NDCG@10 -13.19%
核心机制 core-relevance · CORE 美团 NDCG@5 +0.20%、Badcase@5 -15.9% 级联头 + step-GRPO + PostCoT；NDCG@5 +0.98%、Badcase@5 -50.00%，accuracy -0.52 points
核心机制 data-orchestra · DataOrchestra 纯 LLM：0.5B/1.5B/7B benchmark average 稳定提升 逐样本路由；PPL 较固定清洗 -1.03%，较 raw +8.60%（变差）
核心机制 native-sparse-attention · NSA 纯 LLM：质量不低于 full attention，64K 三阶段显著加速 三路稀疏注意力；attention edge -43.65%，PPL -3.17%
核心机制 gated-attention · Gated Attention 纯 LLM：改善 scaling、稳定性与长上下文外推 post-SDPA 逐头 gate；PPL -0.72%
核心机制 muon · Muon 纯 LLM：约 2× compute efficiency 正交矩阵更新已执行；PPL +5.61%（变差）
核心机制 wide-deep · Wide & Deep Google Play acquisition +3.9% wide crosses + deep tower；NDCG@10 +5.45%
核心机制 deepfm · DeepFM 用户批准的经典例外 FM + deep 共享 embedding；NDCG@10 +23.58%
核心机制 youtube-dnn · YouTube DNN 用户批准的经典例外；未披露量化 lift 非线性用户塔；NDCG@10 -6.61%，保留负结果
核心机制 esmm · ESMM 用户批准的经典例外 entire-space CTR×CVR；平均 AUC +1.69%
核心机制 mmoe · MMoE 用户批准的经典例外 共享 experts + 任务 gates；平均 AUC +1.30%
核心机制 ple · PLE 用户批准的经典例外 共享/专属 experts；平均 AUC +1.34%
核心机制 dcn-v2 · DCN-V2 经典例外：线上显著但未披露 lift low-rank cross experts；NDCG@10 +22.87%
核心机制 dien · DIEN CTR +20.7%、eCPM +17.1% GRU + auxiliary + interest evolution；NDCG@10 -1.98%
核心机制 bst · BST CTR +7.57% target-token Transformer；NDCG@10 +20.29%
核心机制 cs3 · CS3 Revenue +8.356%/+1.366%/+2.177% cycle/sync/cascade；NDCG@10 -16.06%
核心机制 cq-sid · CQ-SID GMV +1.15%、UCTCVR +0.40% category SID + EG-GRPO；NDCG@10 +1.66%
核心机制 switch-transformer · Switch Transformer 纯 LLM：预训练约 7× 加速 top-1 MoE；30-step PPL -3.29%
核心机制 mamba · Mamba 纯 LLM：推理最高约 5× selective scan；30-step PPL +48.82%（变差）
核心机制 switch-attention · Switch Attention 纯 LLM：32K decode >4× dynamic full/local router；30-step PPL +0.19%（略差）
核心机制 onemall · OneMall 商品卡 GMV +13.01%、短视频订单 +15.32%、直播订单 +2.78% 场景 prompt + SID + 跨行为融合；NDCG@10 +4.33%
核心机制 dos · DOS 美团收入 +1.15% 双流 ORQ；NDCG@10 +11.26%
核心机制 mdl · MDL 抖音 LT30 +0.0626%、rewrite -0.3267% 三类 token 与 domain attention；NDCG@10 +13.34%，head share +73.43%
核心机制 hisac · HiSAC 淘宝 CTR +1.65% 层级 interest agents；NDCG@10 +1.31%
核心机制 pinclip · PinCLIP fresh Repin +15%、new Ads click +8.7% 邻居对齐 NDCG@10 -1.41%，未迁移收益
核心机制 pin-scale · Pin-SCALE Repin +3.67%、DAU +0.05% engagement-aware SID；NDCG@10 +13.61%、fresh Hit +50.00%
核心机制 causal-retrieval · Causal Retrieval trigger -85%、session +0.26%、Save +1.10% DR uplift trigger；合成 treatment NDCG@10 +80.77%
核心机制 podcast-mtl · Podcast MTL eCPS -22%、stream +18%–24% shared MTL NDCG@10 -20.63%，出现 negative transfer
核心机制 engram · Engram 纯 LLM：MMLU +3.4、BBH +5.0、HumanEval +3.0 O(1) memory 已接 evolve；30-step PPL +50.12%（变差）
核心机制 looped-latent-attention · Looped Latent Attention 纯 LLM：KV 最多 32× 压缩 已接 evolve；参数 -42.28%，PPL +5.56%
核心机制 gaugequant · GaugeQuant 纯 LLM：LLaMA-2 7B W4A4 PPL 8.22→6.73 已接 evolve；本地 W4A4 STE PPL -1.56%
核心机制 nova · NOVA 腾讯三个 pCVR 目标 GMV +1.25%/+1.70%/+2.02% 四级 verification cascade、失败方向和 architecture gradient 实际接入 evolve
核心机制 evorec · EvoRec Revenue +1.85%、CTR +1.02% 三代模型/方法双轨进化与持久 skill memory
完整核心链路 tokenmixer-large · TokenMixer-Large Orders +1.66%、payment GMV +2.98% mixing/reverting、双 SwiGLU、interval residual 和辅助损失实际训练
核心机制 msn · MSN Watch time +0.2958%、finish +0.2071% Product-Key Memory、top-k sparse read 与 gate
核心机制 idproxy · IDProxy 内容互动 +0.50%、广告 ADVV +1.93% 对比损失 6.073→5.358；NDCG@10 +5.32%
核心机制 glide · GLIDE Non-habitual streaming +5.4%、new-show discovery +14.3% residual Semantic ID 生成与长短期双 prompt
核心机制 genrec · GenRec Clicks +9.5%、transactions +8.7% page-wise NTP、Token Merger 与 GRPO-SR/NLL
核心机制 genrec-netflix · Netflix GenRec 10% 流量 4 周；短期首页参与 +0.115%、长期核心指标 +0.006% SmolLM2 LoRA + catalog head + reward weighting；NDCG@10 +35.07%（单 seed）
核心机制 rankgraph2 · RankGraph-2 CTR +0.96%、CVR +2.75% 去偏边、多跳 PPR 与两级 residual index；NDCG@10 +109.65%
核心机制 solaris · SOLARIS 全流量 top-line revenue +0.67% future-pair predictor、异步 latent cache 与 fallback
核心机制 minimax-sparse-attention · MiniMax Sparse Attention 纯 LLM：1M context attention compute -28.4× attention pairs -79.95%，PPL +0.41%（变差），未融合 MPS 耗时 +67.58%
核心机制 pinequalizer · PinEqualizer Related Pins ranking architecture：all-fresh +8.63%、underexplored +6.57% MovieLens-1M fresh NDCG +448.62%、underexplored exposure +471.02%，但整体 NDCG -16.44%
核心机制 gzip-sparse-attention · Gzip-guided Sparse Attention 纯 LLM：PG-19 BPB 2.34→1.71（对 BigBird） 同参数 256-context BPB 较 BigBird +1.02%（变差），attention edges -70.82%
核心机制 windowed-mtp · Windowed-MTP 纯 LLM serving：1M step latency +28.3%–+44.3% 16K KV read -99.56%、MPS draft latency -50.25%；输出完全一致，acceptance 41.67%→25.00%
核心机制 adadsf · AdaDSF 纯 LLM：80% retention PPL 21.6→18.9（对 MoD） 同 teacher/budget 下 PPL 较 Uniform MoD +0.30%（变差）
核心机制 barge · BARGE 腾讯 CTR +0.60%、点击 UV +1.34%、阅读时长 +1.70% OSQ+ICA+HPR+DPD；NDCG@10 +85.77%，但 head share +165.02%
核心机制 mobius-rope · Möbius RoPE 纯 LLM：needle 63.3%→90.3%，PPL 持平 PPL -0.03%，单 seed needle -2.08 points，未迁移论文收益
核心机制 naju · Naju 纯 LLM：WikiText-103 PPL 28.31→26.20 preserve-first gates 正确；WikiText-2 PPL +25.67%（变差）
核心机制 dynamic-rubric · DynamicRubric 微信搜索全 AI 流量统计显著；具体 lift 未披露 Alpaca preference accuracy 83.89%→87.78%，相对 +4.64%
核心机制 tsgr · TSGR 淘宝 IPV +0.43%、成交 +1.12%、GMV +1.64% 并行价值 SID + 联合 VRM；NDCG@10 +115.73%
核心机制 off-context-grpo · Off-Context GRPO 纯 LLM：Qwen2.5-7B 相对 GRPO +13.8% 官方 GSM8K Pass@1 2.67%→3.33%，相对 +25.00%
核心机制 ramp · RAMP 工业 CVR Total Advertiser Value >+3% 受限个性化字段流量 NDCG@10 +417.23%
核心机制 whale · WHALE Meta 主指标 +0.113%、Metric 1 +0.824% Wukong-HSTU 渐进交换；NDCG@10 -83.20%，未迁移收益
核心机制 tmallgs · TMallGS 天猫 UCTCVR +1.38%、GMV +1.52% Field-adaptive gated Transformer；NDCG@10 +310.42%
核心机制 long-history-transformer · Long-History User Transformers Yandex Search 主指标 +2.77%、Revenue +2.26% 缓存全历史 + 在线近期 encoder；NDCG@10 +57.08%
核心机制 downstream-rewards · Downstream Rewards 多 surface +0.11%–+0.36% 筛选长期 reward head；NDCG@10 -5.10%，未迁移收益
核心机制 recgpt-mobile · RecGPT-Mobile 淘宝 CLICK +1.8%、PAY +2.7%、GMV +2.5% 真实 135M LoRA semantic intent accuracy +100.00%；INT8 相对 -6.25%、体积 -53.68%，触发器跳过 96.21% 推理
核心机制 sort-gen · SORT-Gen 相对部署基线 CLICK +4.13%、GMV +8.10% ordered regression + 单次 mask-driven queue generation；Click +5.10%、Pay +8.46%、GMV proxy +9.00%、ILAD +2.89%
核心机制 recgpt-v3 · RecGPT-V3 淘宝 Feed IPV +1.28%、CTR +1.00%、GMV +3.97%；资源 -52.4% 两阶段教师蒸馏后 NDCG@10 +36.96%，memory token -65%、latent slots -90%，但 head share +71.43%
核心机制 slimper · SlimPer Instagram Reels/Feed 统计显著全流量提升；具体 lift 未披露 参数匹配下 NDCG@10 +1.29%，attention-score elements -94.12%
核心机制 tokenminds · TokenMinds YouTube SFV Engaged Users +0.11%、Satisfied Engagement +0.62%，多 surface 全流量 dense + SID user token 双输出实际训练；单 seed NDCG@10 -0.35%，不宣称稳定提升
核心机制 recap · RECAP 快手人均应用使用时长 +0.139% GRPO reward 0.5245→0.7096，但 NDCG@10 -6.77%、head share -20.27%
核心机制 uame · UAME LongView 最高 +1.614%、Forward 最高 +1.598% 三路公开 proxy 下 NDCG@10 -62.28%，未迁移线上收益
核心机制 conv-llm · Convolution for LLMs 纯 LLM：Qwen3-1.7B PPL 13.42→12.79 同预算 WikiText-2 test PPL 305.664→304.787（-0.29%）
核心机制 ppl-factory · PPL-Factory 纯 LLM：10% 数据时 GSM8K +0.9、MATH +4.8 points 20% middle selection PPL 较随机变差 1.79%，easy 最好
核心机制 fluid · FLUID QWD +0.55%、冷启房间播放 +2.05% 去候选 ID 后 NDCG -20.63%，fresh Hit +100.00%、head share -58.32%
核心机制 memory-grafting · Memory Grafting 纯 LLM：benchmark average 53.86 PPL 较 Transformer -3.59%，但较 Engram +0.03%，未超过直接可训练记忆
核心机制 mhc · mHC 纯 LLM：benchmark +2.1%–2.3% PPL 未提升；残差行列误差归零、谱范数 1.089→1.000
核心机制 degre · DeGRe Taobao Flash CTR +2.85%、GMV +3.75% evaluator→beam→dense distillation；NDCG@10 +3.31%
核心机制 harness-lm · HARNESS-LM Bing Ads Revenue +1.0%、Clicks +0.4% 三阶段收敛但 test NDCG -28.05%
核心机制 grc · GRC Revenue +1.79%、CTR +2.11%、GMV +2.04% structured SFT→GRPO→EGRS；NDCG -11.12%
核心机制 mbgr · MBGR Meituan CTCVR +3.98% BID/MBP/LDR；NDCG -5.92%
核心机制 growthgr · GrowthGR 新品 GMV +5.3%、全站 GMV +0.3% ItemLTV→SID→MoPO；NDCG +2.05%
核心机制 mesh · MESH fresh repins +5.5%、retention +0.46% 三塔与 RGBC；NDCG -3.54%
核心机制 sam · SAM CTR +1.1%、GMV +0.9%、bad-case -74.5% ASGU/TTNP；NDCG -6.60%
核心机制 danet · DANet pCVR +3.63%、GMV +2.23% TFTM/DCM；NDCG -1.46%、fresh Hit +50.00%
核心机制 proximity-features · Proximity Features first-time bookers +2.0%、booking +0.16% ZIP adaptive buckets；Hit@10 +16.67%、NDCG +22.91%
核心机制 nontp · NONTP Meituan DSP CTR +1.8%、GMV +2.1% EMA teacher TCL、跨域 TDL 与零额外推理路径实际执行；Hit@10 -4.93%、NDCG -8.62%
核心机制 akt-rec · AKT-Rec Tmall CTR +2.76%、GMV +3.47% 真实小型 LLM、RQ-VAE 与非对称迁移实际执行；AUC +3.44%、GAUC +5.53%、tail AUC +2.15%
完整核心链路 s-grec · S-GRec WeChat GMV +1.19%、CTR +1.16%、dislike -2.02% 真实 LLM PSJ + SID generator + 5% A2PO；A2PO 经 validation 晋级，test HR@10 +0%、NDCG -4.53%，约束零越界
完整核心链路 pinterest-ads-llm · Complementary LLM Predictor US Shopping RoAS +4.94%、opt-in +6.69% SFT 被选中；GRPO Recall@20 +0%，LLM 排序特征 AUC +2.59%，召回 quota=0
完整核心链路 lwgr · LWGR Ads revenue +1.35%、CTR +1.17% reference 被选中；LWGR Recall@10 +0%、NDCG -4.29%，dual update 执行但约束未改善
完整核心链路 sigma · SIGMA AliExpress Order +2.80%、GMV +7.84% top1-prefix HR@20 1/128→9/128；APF 相对 top1 -11.11%
完整核心链路 univa · UniVA WeChat Channels GMV +1.50%、GMV(normal) +1.42% Office 公开代理；HR@100 +4.76%、ValueHR +6.56%，但 wNDCG -8.43%；trie 有效路径 50/50
核心机制 prompt-generation · Prompt Generation Taobao Search transaction +0.47%、GMV +0.51%；Shop Search +4.01% 同源 Amazon Office + Qwen2.5-0.5B；选中 Title 的 HR@10 -11.11%，mean merger 较原始 Title 打分 -90.38%
完整核心链路 precise · PRECISE WeChat ranking Clicks +1.961%、Shares +1.433% SmolLM token + MoE + UT/TT；Recall@10 +40.0%，Cold Recall -50.0%
完整核心链路 lum · LUM Taobao CTR +2.9%、RPM +1.2% next-condition-item + group query + DLRM；AUC +14.60%，3/3 seeds 正向
完整核心链路 lsvcr · LSVCR Kuaishou comment watch time +4.1264% q/v-LoRA + SSC/VCC；comment NDCG +50.40%，item NDCG -56.42%
完整核心链路 msd · MSD Meituan CTR +2.12%、CPM +2.59% teacher→T5 distill + LoRA/cache fusion；AUC +1.55%，2/3 seeds 正向
核心机制 sessionrec · SessionRec Meituan Pay PV +0.603%、PVCTCVR +0.564% KuaiRand 真实 session、曝光负例；NDCG@20 -22.05%，仅 1/3 seeds 正向
核心机制 saviorrec · SaviorRec Taobao Clicks +13.31%、Orders +13.44%、CTR +12.80% 行为 encoder + RQ-SID + MBA + BiTargetAttn；cold AUC 均值 +6.92%，仅 1/3 seeds 正向
完整核心链路 pinrec · PinRec Grid Clicks +4.01%、Time Spent +0.55% OC + unordered MT 实际训练；Recall@10 -27.78%
完整核心链路 genrank · GenRank Engagements +1.2474% action-oriented 延迟 -25.66%，AUC -0.46%
完整核心链路 learn · LEARN cold-item Revenue +8.77% NDCG +233.10%，但 head share 69.50%
完整核心链路 notellm · NoteLLM I2I CTR +16.20% GCL+CSFT；NDCG +7.15%，3/3 seeds 正向
完整核心链路 kar · KAR Huawei 新闻 Recall +7%；音乐播放量 +1.70% 真实 LLM 知识生成与 hybrid experts；AUC 均值 +0.81%，2/3 seeds 正向
完整核心链路 bahe · BAHE Ads CTR +9.65%、CPM +2.41% 原子行为缓存 + 上层聚合；耗时 -53.61%，AUC -2.94%
完整核心链路 beque · BEQUE Taobao GMV +0.40%、交易数 +0.34% SFT + 无泄漏自采样 + 离线反馈 + PRO；feedback +30.03%，increment -66.02%
完整核心链路 onerec-v2 · OneRec-V2 Kuaishou stay +0.467%、Lite +0.741% KuaiRand 真实时长反馈；Lazy latency -54.78%，GBPO 均值 +21.66% 但仅 2/3 seeds 正向
完整核心链路 plum · PLUM YouTube Panel CTR +0.76%/+4.96% CPT 降低 loss；Recall@10 R1/CR1 0.5%，R2/CR2 0，未验证召回增益
完整核心链路 onerec · OneRec Kuaishou watch time +1.68% 核心链路均执行；DPO 将本地 NDCG@10 从 0.0157 降至 0
完整核心链路 g2rec · G2Rec Meta +0.06%–+0.19% Beauty 上 soft graph + generative dual-loss；NDCG@10 +11.92%
完整核心链路 mixformer · MixFormer Douyin duration +0.2799% matched-budget trainable blocks；NDCG@10 +17.41%
完整核心链路 rankmixer · RankMixer Active Days +0.3%、duration +1.08% dense per-token FFN 最优；sparse MoE 未追平 dense
完整核心链路 hyformer · HyFormer watch time +0.293%、finish +1.111% NDCG@10 +143.77%，head share 同步上升
完整核心链路 onetrans · OneTrans Feeds GMV/U +5.6848% NDCG@10 +123.58%，但 92% 推荐落在头部
完整核心链路 rec-distill · Rec-Distill Ads ADVV +1.00%、Rec Finish/U +1.2725% α 搜索后 transferability -4.11%，未验证蒸馏收益
完整核心链路 sasrec · SASRec 无；用户指定经典基线例外 原论文 BCE 与全库推理；NDCG@10 0.02933，较 popularity -1.24%
核心机制 hstu · HSTU Meta engagement +12.4%、consumption +4.4% matched sampled-softmax SASRec 对照；NDCG@10 -17.73%
核心机制 m6rec · M6-Rec Alipay mini-app CTR >+1.0% 冻结真实预训练 LM；option-adapter AUC 均值 +0.12% ± 0.41%
核心机制 din · DIN Alibaba CTR +10.0%、RPM +3.8% local activation 与 Dice 实际训练；较 mean pool NDCG@10 -6.97%
核心机制 tiger · TIGER 无；用户指定经典论文例外 RQ-VAE 与自回归检索实际训练；较等容量 random ID NDCG@10 -39.16%
核心机制 transact-v2 · TransAct V2 Pinterest Repin +6.35%、Hide -12.80%、Time Spent +1.41% NDCG@10 +92.65%，但 head share 升至 98.99%
核心机制 pinfm · PinFM Pinterest Homefeed Saves +1.20%–+5.70% 两轮预训练/微调按 validation 选型；test -3.57%，head share 降至 20.16%
核心机制 sis · SIS 非本轮 A/B 集合 SIS 公式实际执行；未训练 Qwen3/GRPO
核心机制 mdcns · MDCNS 论文公开离线结果 作者 Beauty 切分；三源采样与双模型更新实际执行
核心机制 memento · Memento Meta CTR +1.0%、CVR +1.2% query-conditioned MMR 实际执行；生产 replay/serving 省略
核心机制 llm-ad-retrieval · LLM Retrieval Meta top-line +0.45%、final recall +1.2% domain SFT + LLM attribute graph；Recall@20 +11.90%，score drift -77.36%
完整核心链路 seral · SERAL Taobao clicks +29.56%、transactions +27.6% 相对 DIN NDCG +50.60%；novelty 未提升
完整核心链路 leadre · LEADRE WeChat GMV +1.57%/+1.17% 相对 DIN +12.94%；DPO 消融 -4.53%
完整核心链路 cobra · COBRA Conversion +3.60%、ARPU +4.15% 相对 DIN +25.75%；热门集中上升
核心机制 argus · ARGUS Listening +2.26%、likes +6.37% 相对 DIN -4.12%，未验证收益
核心机制 gr4ad · GR4AD Kuaishou ad revenue +4.2% 相对 DIN +69.67%，head share 0.505
核心机制 cross-domain-kd · Cross-domain KD Music discovery +1.12% target split 相对 DIN -68.46%
核心机制 mm-llm · MM-LLM Meta engagement +0.02% 相对 DIN -13.23%，未验证收益
核心机制 cluster-goobs · Cluster GOOBS Meta CTR +53% online sampler 实际执行；genre 替换私有 LLM cluster
核心机制 llatte · LLaTTE Meta conversion +4.3% BERT semantic features、MLA、target-aware online attention 与 DHEN 均实际训练
核心机制 self-evolving-rec · Self-Evolving RecSys Google +0.03%–+0.14% 本地指令 LLM 读取 journal、逐轮提案、validation 反馈与隔离 test
核心机制 cmsl · CMSL Meta +0.092%–+0.171% learned contextual lenses 与 HSTU-style backbone 实际训练
核心机制 longer · LONGER Douyin Ads/电商 A/B InnerTrans、global token 与 hybrid attention 端到端训练

统一运行方式

# 单篇
auto-research reproduce --paper <adapter> --seed 42

# 全部
auto-research reproduce --paper all --seed 42

# 包含明确降级的概念验证
auto-research reproduce --paper all --include-concept-demos --seed 42

原始运行产物位于：

runs/reproductions/<arxiv-id>-<adapter>/<timestamp>/
├── report.md
└── result.json

runs/ 不进入 Git；result.json 是单次运行的事实来源。复核后的稳定结论、实验协议和边界条件才会摘录到对应论文 README。

Adapter 目录约定

src/auto_research/reproductions/<adapter>/
├── adapter.py
├── model.py 或 algorithm.py
├── experiment.py
└── report.py

共享的公开数据切分、逐用户及矩阵化全库指标位于 reproductions/rec_utils.py，序列模型的 all-position 训练位于 reproductions/sequence_training.py，下载器位于 datasets.py。论文特有网络、采样、调参和报告逻辑保留在论文目录中。每篇 README 固定包含完整论文信息、原论文背景、主要改动、Mermaid 架构图、核心公式、论文离线/在线效果、本地协议和复现边界。论文信息由 scripts/sync_reproduction_metadata.py 统一同步；扩展规则见架构文档。