OneModel：平台级多场景统一排序模型¶

Fidelity: 核心机制复现。本地真实执行多场景统计、场景投影、SAIM 式门控和全局/局部分层表征；生产 Transformer 与私有特征未复刻。

论文信息¶

项目	内容
论文链接	arXiv 2608.18606
公司/机构	Xiaohongshu
首次公开日期	2026-08-19（arXiv v1）
原文开源代码	否：未发现原作者公开代码（核查日期：2026-08-24）
Adapter	`onemodel`
本地复现代码	`src/auto_research/reproductions/onemodel/`

原始论文总结¶

背景与主要改动¶

推荐、广告和商家推荐通常各训一套排序模型，既重复消耗资源，也无法充分共享跨场景行为。OneModel 将异构特征先投影到统一 event token，再以共享 causal decoder 建模混合长历史；SAIM 用场景条件 gate 调制 FFN，分层表征同时保留全局 attentive pooling 与最近局部状态，从而兼顾迁移与专门化。

flowchart LR
  H["推荐/广告/商家混合历史"] --> P["场景专属特征投影"]
  P --> C["场景+动作+时间+位置上下文"]
  C --> D["共享 causal decoder"]
  D --> S["SAIM 场景调制"]
  S --> R["全局池化 + 局部末状态"]
  R --> T["三场景任务头"]

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¶

\[ e_i=\phi(W^{(s)}x_i^{(s)}+b^{(s)}),\qquad z_j=e_{i_j}+\operatorname{Embed}(s_j,a_j,\Delta t_j,pos_j). \]

SAIM 对场景嵌入生成门控，并调制共享 FFN：

\[ g_t=\sigma(W_g e_s+b_g),\qquad \operatorname{SAIM}(h_t)=\operatorname{SiLU}(W_1h_t)\odot g_t. \]

论文离线与线上效果¶

论文在小红书线上报告：Explore Feed 时长 +0.33%、互动 +1.25%；Feed Ads 广告价值 +3.43%、CTR +8.18%；Merchant Recommendation DGMV +1.1867%、GPM +2.1585%。这是进入本仓库工业队列的硬证据。

本地复现¶

本地对照口径：基线为共享全局转移排序器；实验组加入由 MovieLens genre 派生的三个场景、场景转移、sigmoid 门控和 global/local 融合。实验组 NDCG@10 0.0870，相对基线 0.1285 下降 32.29%，不是提升。

本地负结果说明，在单一 MovieLens 域上人为切分场景会损失数据密度，不能外推论文的真实跨业务收益。稳定指标见 metrics/movielens-1m-seed42.json。

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

复现边界¶

使用本地 MovieLens-1M 公开数据；没有小红书私有多流日志、action token、统一 Transformer decoder、训练早期梯度隔离、选择性反向传播和在线 serving。核心场景门控路径已执行，但本地指标只验证机制与失败边界。