OneRanker: Unified Generation and Ranking with One Model in Industrial Advertising Recommendation

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 2603.02999
公司/机构	Tencent
首次公开日期	2026-03-03（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	oneranker
本地复现代码	src/auto_research/reproductions/oneranker/

原始论文总结

背景与主要改动

用 fake item token 统一生成、点击价值估计和广告排序，并通过分布一致性约束让生成概率与 value head 保持同一偏好。

flowchart LR
 A["公开输入 / 历史"] --> B["oneranker 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

\[ \mathcal L=\mathcal L_{gen}+\lambda_v\mathcal L_{value}+\lambda_cD_{KL}(p_{gen}\Vert p_{rank}). \]

论文离线与线上效果

微信视频号广告全量部署：GMV +1.34%。

本地复现

本地对照口径：基线为共享 transition + content scorer，实验组只加入 oneranker 核心机制；相对 NDCG@10 -7.65%。

MovieLens-100K、260 users / 420 items、seed 42：NDCG@10 0.0354 → 0.0327（-7.65%）。基线是共享 transition + content scorer；实验组只加入论文核心路径。

auto-research reproduce --paper oneranker --dataset-dir data --seed 42
auto-research evolve --model rankmixer --dataset movielens-100k --direction "组合 oneranker 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。