SOLARIS：用预测式 Latent Cache 服务推荐 Foundation Model¶
复现保真度：核心机制复现。 Future-pair predictor、异步 cache 与 fallback 均实际执行。
论文信息¶
| 项目 | 内容 |
|---|---|
| 论文链接 | arXiv 2604.12110 |
| 公司/机构 | Meta |
| 首次公开日期 | 2026-04-13（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 | solaris |
| 本地复现代码 | src/auto_research/reproductions/solaris/ |
原始论文总结¶
背景与主要改动¶
大推荐模型在请求时为全部 user-item 对计算 latent 不现实。SOLARIS 先预测未来会访问的 pair，异步用 foundation model 预计算并缓存 latent；请求命中 cache 直接消费，未命中走 fallback。
flowchart LR
A["Future-pair predictor"] --> B["Async foundation model"]
B --> C["Latent cache"]
D["Online request"] --> C
C --> E["Lightweight ranker"]
D --> F["Fallback"]原论文关键图¶
原论文 Figure 1（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¶
\[
\mathcal C_t=\{(u,i):p_\phi(i\mid u,t+\Delta)>\tau\},\qquad
s(u,i)=f(e_u,e_i,z_{u,i}^{\rm cache}).
\]
论文离线与线上效果¶
论文报告已全流量部署，top-line revenue +0.67%。
本地复现¶
用未来三步交互训练 pair predictor，只缓存高置信 pair，并测量 cache 覆盖与 fallback 路径。
本地对照口径：基线为 request-time ranker，实验组为 predictive latent cache；NDCG@10 0.03540→0.09118，相对 +157.58%，见
metrics/movielens-100k-seed42.json。