Dual-Rerank: Fusing Sequential Dependencies and Utility for Generative Reranking

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 2604.07420
公司/机构	Kuaishou Technology
首次公开日期	2026-04-08（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	dual-rerank
本地复现代码	src/auto_research/reproductions/dual_rerank/

原始论文总结

背景与主要改动

AR 教师学习物品间顺序依赖，NAR 学生并行估计名次；效用蒸馏把效果与延迟共同写入训练目标。

flowchart LR
 A["公开输入 / 历史"] --> B["dual-rerank 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）：展示原论文方法的总体设计和关键组成。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

\[ \mathcal L=\mathcal L_{rank}+\lambda\,D_{KL}(p_{AR}\Vert p_{NAR})+\gamma\mathcal L_{utility}. \]

论文离线与线上效果

快手搜索 5% 流量一个月：Long View +1.107%，并降低平均与 P99 延迟。

本地复现

本地对照口径：基线为共享 transition + content scorer，实验组只加入 dual-rerank 核心机制；相对 NDCG@10 +10.66%。

MovieLens-100K、260 users / 420 items、seed 42：NDCG@10 0.0354 → 0.0392（+10.66%）。基线是共享 transition + content scorer；实验组只加入论文核心路径。

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