跳转至

Sona：单模型替换音乐推荐级联

Fidelity：核心机制复现。 实际训练压缩历史编码器、三层自回归 Semantic ID 头与 item ranker；本地负迁移如实保留。

论文信息

项目 内容
论文链接 arXiv 2608.11015
公司/机构 Yandex
首次公开日期 2026-08-11（arXiv v1）
原文开源代码 否：未发现原作者公开代码（核查日期：2026-08-13）
Adapter sona
本地复现代码 src/auto_research/reproductions/sona/

核心训练实现在 latest_20260813_common.py。

原始论文总结

背景与主要改动

Yandex Music 原链路有 15 个以上候选生成器与独立预排、精排。Sona 用 chronology event encoder 表示用户，以历史压缩控制长序列成本，自回归生成 Semantic ID，并用同一状态的 Ranking Module 对物品排序；高容量 teacher 只在训练期提供蒸馏监督。

flowchart LR
 H["chronological events"] --> C["history compression"]
 C --> E["shared encoder"]
 E --> D["autoregressive SID decoder"]
 E --> R["item ranking module"]
 T["training-only teacher"] --> R
 D --> O["single serving model"]
 R --> O

原论文关键图

Sona：单模型替换音乐推荐级联 原论文 Figure 2

原论文 Figure 2（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

\[ \mathcal L=\sum_{k=1}^{K}-\log p_\theta(c_k\mid c_{<k},h_u)+\lambda\,\mathcal L_{\mathrm{rank}}+\mu\,\mathcal L_{\mathrm{distill}}. \]

论文离线与线上效果

My Vibe 智能音箱真实流量 A/B 中，Active Users +4.53%、Total Listening Time +6.30%、Likes +11.42%，论文报告均达到统计显著；一个模型替代原候选生成与排序级联。

本地复现

本地对照口径：基线为同预算共享 encoder 排序器，实验组为 history compression + SID decoder + item ranker；NDCG@10 相对变化 -92.05%。

MovieLens-1M 260 users / 420 items、50 steps、seed 42。共享 encoder 基线 NDCG@10 0.02083；压缩 SID + ranker 为 0.00166（-92.05%），执行 7,200 个 SID token 目标、历史压缩比 4×。随机 ID 分解和短训练无法获得论文私有语义 tokenizer 的邻域结构，是明确的负结果。

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

固定指标见 metrics/movielens1m-seed42.json。

复现边界

未复刻私有音乐语义 tokenizer、完整 teacher、15+ 生产候选源和智能音箱 serving；本地仅验证核心训练与推理数据流。