ROCS：按请求共享推荐计算¶

Fidelity: 核心机制复现。实现一次 request encoding、延迟 candidate interaction 和批量候选评分。

论文信息¶

项目	内容
论文链接	arXiv 2607.27744
公司/机构	Meta AI
首次公开日期	2026-07-30（arXiv v1）
原文开源代码	是：官方/作者代码
Adapter	`rocs`
本地复现代码	`src/auto_research/reproductions/rocs/`

原始论文总结¶

背景与主要改动¶

一次推荐请求会评分大量候选，而用户侧特征完全相同。ROCS 通过 Generalized Layer Masking 保持候选隔离，用 Deep Cross Attention 延迟交互，再由 IKBO 在 GPU kernel 内广播 request 表示。

flowchart LR
    U["Request features"] --> E["共享编码一次"]
    C["N candidates"] --> D["Late DCA interaction"]
    E --> D
    D --> B["IKBO batch scoring"]

原论文关键图¶

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¶

\[ h_u=E(x_u),\qquad s(u,i)=D(h_u,e_i),\quad i\in\mathcal C_u, \]

其中 \(E(x_u)\) 每个 request 只计算一次。

论文离线与线上效果¶

Meta 已跨广告/自然内容、召回/排序部署；召回 QPS 最高 3 倍且质量无损，短视频排序 LogLoss -0.5% 同时 QPS +50%。

本地复现¶

本地对照口径：基线为逐候选重复编码；实验组为 ROCS core，相对基线 NDCG@10 +8.19%。

128 candidates 的进程内路径微基准为 129.58x；它只证明“重复编码 vs 一次共享”的执行差异，不代表论文 GPU QPS。

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

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

复现边界¶

未复刻生产 GLM、IKBO CUDA kernel、Meta 私有模型与集群。