RADAR: Recall Augmentation through Deferred Asynchronous Retrieval

保真度：核心机制复现。原文结论、本地公开数据实验和未复刻部分分开陈述。

论文信息

项目	内容
论文链接	arXiv 2506.07261
公司/机构	Meta
首次公开日期	2025-06-08（arXiv v1）
原文开源代码	否：论文未提供官方/作者代码（核查日期：2026-08-09）
Adapter	radar
本地复现代码	src/auto_research/reproductions/radar/

原始论文总结

背景与主要改动

将完整排序模型在本次请求后异步运行，把高价值结果缓存为下一次请求的召回补充，再与实时召回合并。

flowchart LR
 A["公开输入 / 历史"] --> B["radar 核心路径"]
 B --> C["论文特有状态或目标"]
 C --> D["同预算评测"]

原论文关键图

原论文 Figure 2（关键图）：展示原论文提出的核心架构、主要模块及其连接关系。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式

\[ C_{t+1}=R_{live}(h_{t+1})\cup\operatorname{TopK}(f_{rank}(h_t,\mathcal I)). \]

论文离线与线上效果

线上 Recall@200 约翻倍，engagement +0.8%。

本地复现

本地对照口径：基线为共享 transition + content scorer，实验组只加入 radar 核心机制；相对 NDCG@10 -2.78%。

MovieLens-100K、260 users / 420 items、seed 42：NDCG@10 0.0354 → 0.0344（-2.78%）。基线是共享 transition + content scorer；实验组只加入论文核心路径。

auto-research reproduce --paper radar --dataset-dir data --seed 42
auto-research evolve --model rankmixer --dataset movielens-100k --direction "组合 radar 与已安装论文算子" --generations 2 --population 4

固定指标见 metrics/public-seed42.json。

复现边界

在 MovieLens-100K 全库排序上实际执行论文核心状态、训练目标或推理路径；未使用公司私有特征、生产流量和在线服务，线上 A/B 数字只引用原文。 本地数值不等同于原论文大模型、私有数据、生产流量或专用 kernel；本地相对变化不得与原文提升混写。