UniScale: Synergistic Entire Space Data and Model Scaling for Search Ranking

保真度：核心机制复现。原文线上结论、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 2603.24226
公司/机构	Taobao & Tmall Group / Alibaba
首次公开日期	2026-03-25（arXiv v1）
原文开源代码	否：原文未提供官方/作者代码（核查日期：2026-08-24）
Adapter	uniscale
本地复现代码	src/auto_research/reproductions/uniscale/

原始论文总结

背景与主要改动

ES³ 从曝光外全空间扩充数据，HHSFT 分层融合异构样本；数据规模和模型容量协同扩展，并配合低成本部署。

flowchart LR
 A["Entire-Space 数据"] --> B["HHSFT 分层融合"] --> C["搜索排序"]

原论文关键图

原论文 Figure 1（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

\[ h^{l+1}=h^l+\sum_d g_d(h^l)\,FFN_d(h^l) \]

论文离线与线上效果

原文线上证据：GMV +2.04%（5% traffic, ten days，Section 4.5）。论文私有口径不能与下方 MovieLens 指标直接比较。

本地复现

本地对照口径：基线为共享 transition + content scorer；实验组在同一用户、物品、全库候选和 seed 上只加入 uniscale 核心机制，相对 NDCG@10 -2.20%。

MovieLens-100K、220 users / 360 items、seed 42：NDCG@10 0.0540 → 0.0528（-2.20%），Hit@10 0.1091 → 0.1045。验证集只选择混合权重，测试集未参与调参。

auto-research reproduce --paper uniscale --dataset-dir data --seed 42

固定指标见 metrics/public-seed42.json。

复现边界

在 MovieLens-100K 固定全库候选、相同切分和 seed 上执行论文核心机制；私有特征、生产基础模型和在线流量不可公开，论文 A/B 数字只作原文引用。 本地实现拥有独立模型状态和打分路径；负结果同样保留，且本地相对变化不得与原文 A/B 提升混写。