From a Static Multi-Level Small Semantic Codebook to a Dynamic Single-Level Large Semantic Codebook for Generative Recommendation¶
保真度：核心机制复现。原文结论、本地公开数据实验和未复刻部分分开陈述。
论文信息¶
| 项目 | 内容 |
|---|---|
| 论文链接 | arXiv 2608.21012 |
| 公司/机构 | Kuaishou Technology |
| 首次公开日期 | 2026-08-21（arXiv v1） |
| 原文开源代码 | 否：原文未提供官方/作者代码（核查日期：2026-08-24） |
| Adapter | dynamic-codebook |
| 本地复现代码 | src/auto_research/reproductions/dynamic_codebook/ |
原始论文总结¶
背景与主要改动¶
把多级小语义码本压缩为动态更新的单级大码本，再保留独立碰撞码；既减少自回归步数，也用曝光加权更新抵抗码本漂移。
flowchart LR
A["多级 SID"] --> B["动态大码本"] --> C["碰撞码与短解码"]原论文关键图¶
原论文 Figure 2（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¶
\[
r_i=e_i-c_{s_i},\quad c_k\leftarrow(1-\eta)c_k+\eta\frac{\sum_i w_i e_i\mathbf1[s_i=k]}{\sum_i w_i\mathbf1[s_i=k]}
\]
论文离线与线上效果¶
原文的主要线上证据为 primary consumption +0.79%（2.5% traffic, 5 days）。论文离线表与线上指标使用私有或论文指定口径，不能与下面的 MovieLens 数字直接比较。
本地复现¶
本地对照口径：基线为共享 transition + content scorer；实验组在相同用户、物品、全库候选和 seed 上只加入
dynamic-codebook核心机制，相对 NDCG@10 -18.73%。
MovieLens-100K、220 users / 360 items、seed 42：NDCG@10 0.0540 → 0.0439（-18.73%），Hit@10 0.1091 → 0.0818。验证集只用于选择机制混合权重，测试集没有参与调参。
固定指标见 metrics/public-seed42.json。
复现边界¶
在 MovieLens-100K 固定全库候选、相同切分和 seed 上执行论文核心机制；公司私有特征、生产基础模型与在线流量不可公开，论文 A/B 数字仅作原文引用。 本地实现执行了独立的模型状态和打分路径；它不是把论文名映射到同一个加权公式。未复刻项见 adapter 的 omitted_core_components，本地相对变化不得与原文 A/B 提升混写。