跳转至

NEXT：用视觉语言模型推理下一兴趣

Fidelity: 核心机制复现。本地执行 item→intent→item、离线 directed edge 生成/验证和线上加性注入；没有把规则或 embedding 代理写成“训练了 NEXT-8B”。

论文信息

项目 内容
论文链接 arXiv 2607.24789
公司/机构 Meta
首次公开日期 2026-06-27（arXiv v1）
原文开源代码 否：截至 2026-08-24 未发现原作者公开代码
Adapter next-vlm
本地复现代码 src/auto_research/reproductions/next_vlm/

原始论文总结

背景与主要改动

共现和语义相似只能回答“哪些视频相近”，难以推断用户看完当前视频后下一步想做什么。NEXT 先识别显式续集；对隐式关系让 NEXT-8B VLM 生成 next-intent query，再检索并验证候选，形成 directed Next Knowledge Graph。推理放在离线，线上只在用户正反馈后注入高置信边，避免把 8B VLM 放进请求链路。

flowchart LR
  V[当前视频] --> C{显式续集?}
  C -->|是| E[直接 continuation edge]
  C -->|否| I[NEXT-8B 生成 next intent]
  I --> S[搜索候选视频]
  S --> X[VLM 验证 A→B]
  X --> N[离线 NKG]
  E --> N
  N --> O[正反馈后在线注入]
  O --> R[生产 ranker]

原论文关键图

NEXT：用视觉语言模型推理下一兴趣 原论文 Figure 1

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

训练分为感知增强 GRPO、分布对齐 SFT 和最后一公里偏好优化。离线边的抽象形式为

\[ q_A=\operatorname{VLM}_{intent}(A),\quad B^*=\arg\max_{B\in\operatorname{Retrieve}(q_A)} \operatorname{VLM}_{verify}(A,q_A,B). \]

线上保持加性路径：

\[ \mathcal C(u,t)=\mathcal C_{prod}(u,t)\cup\operatorname{NKG}(v_t) \quad\text{if positive engagement}(u,v_t). \]

论文离线与线上效果

NEXT-8B 在 DocVQA 取得最佳单模型结果。约一亿用户、持续多周的生产 A/B 中，相对包含 HSTU 路径的强基线，watch time +0.53%、distinct video exposure +0.51%，负反馈、安全和延迟 guardrail 无显著退化。

本地复现

本地对照口径：基线为同数据的 transition+semantic 多路径 ranker；实验组加入经语义验证的 directed NKG edges，NDCG@10 相对 +20.33%。

MovieLens-1M 单 seed 中，强 transition+semantic 基线 Hit@10/NDCG@10 为 0.1750/0.0997；加入验证后的 directed NKG edges 后为 0.1917/0.1200，相对 +9.52%/+20.33%，head share 从 0.4146 降至 0.2150。这是公开代理任务的单 seed 诊断结果，不是 Meta 线上收益复现。

auto-research reproduce --paper next-vlm --dataset-dir data --seed 42

稳定指标见 metrics/movielens-1m-seed42.json。

复现边界

本地用电影标题/genre 和协同转移代理视觉语义与 VLM 验证；未训练 8B VLM、GRPO/SFT 偏好阶段，也没有短视频画面、私有安全模型和实时 serving。