MESH：异构内容解耦的可扩展召回¶

Fidelity: 核心机制复现。分组 manifold、独立 residual signal amplifier、全局 crossing 与 RGBC 均实际执行。

论文信息¶

项目	内容
论文链接	arXiv 2607.12392
公司/机构	Pinterest
首次公开日期	2026-07-14（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	`mesh`
本地复现代码	`src/auto_research/reproductions/mesh/`

原始论文总结¶

背景与主要改动¶

统一放大 flat retrieval 容易让高频 evergreen 梯度淹没 fresh/tail 信号。MESH 先把 user/item/context 分到独立 sub-tower，各自在全局交互前用 residual crossing 放大；RGBC 再用 context gate 调节纯 user-item affinity，服务端可并行各塔并异步缓存 item tower。

flowchart LR
  A[User group] --> D[User amplifier]
  B[Item group] --> E[Item amplifier]
  C[Context group] --> F[Context amplifier]
  D --> G[Hadamard affinity]
  E --> G
  F --> H[RGBC gate]
  G --> H
  H --> I[Global crossing]

原论文关键图¶

原论文 Figure 1（关键图）：展示原论文的整体流程、关键阶段及其数据流向。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¶

\[ H_k^l=\operatorname{Norm}(H_k^{l-1}+\Phi(H_k^{l-1},H_k^{l-1})),\qquad H_0=\operatorname{LN}(\sigma(MLP(T_c))\odot(T_u\odot T_i)+T_c). \]

论文离线与线上效果¶

Pinterest：fresh-item repins +5.5%、funnel efficiency +55%、retention +0.46%；系统吞吐 2.87×。

本地复现¶

本地对照口径：基线是 flat retrieval；实验组 MESH 使用三塔放大与 RGBC，验证集选 blend 0.1，相对基线 Hit@10 +0.00%、NDCG@10 -3.54%。

本地 Python 小批量测试不具备论文的 TorchScript/GPU 并行条件，测得 0.33×，只作为反例记录。稳定指标见 metrics/movielens-100k-seed42.json。

auto-research reproduce --paper mesh --seed 42

复现边界¶

未复刻 DHEN 全算子与生产 GPU inter-op；不引用本地微基准支持论文吞吐结论。