GRP v0.1：渐进式端到端生成推荐¶

复现级别：L1 架构与目标机制。 本地实现独立 SID block mask、生成/排序梯度隔离和 mGRPO 单边召回保护；不宣称复现 Snap 线上效果。

论文信息¶

项目	内容
论文链接	arXiv v1
公司/机构	Snap Inc.
首次公开日期	2026-09-29（arXiv v1）
原文开源代码	否：截至 2026-09-30 未找到原作者仓库
Adapter	`grp`
本地复现代码	`src/auto_research/reproductions/grp/`

原始论文总结¶

背景与主要改动¶

GRP 不是一次性替换成熟推荐漏斗，而是逐步把统一生成模型作为召回源接入，再替换弱源、增加配额并逐步绕过排序器。模型用 encoder-decoder 生成多模态 Semantic ID；MHP 通过 stop-gradient 路径联合学习排序，之后冻结为 RL reward。mGRPO 在 GRPO 上增加以 logged target 为锚点的单边 margin，只在策略开始牺牲原目标召回时惩罚。

flowchart LR
  H[长行为历史] --> E[Encoder]
  E --> D[独立 block Decoder]
  D --> SID[Semantic IDs]
  E -. stop gradient .-> M[MHP ranker / reward]
  SID -. stop gradient .-> M
  M --> R[mGRPO]

核心公式¶

本地 mGRPO 目标保留 clipped policy ratio，并对 logged target 的相对概率下降施加单边 margin：只有当前策略相对参考策略牺牲原目标召回超过容忍区间时，保护项才激活。排序头读取 stop-gradient 的 encoder 与 SID 表征，因此排序损失不会反向改写生成路径。

原论文关键图¶

原论文首页的总体架构图；图片来自原论文，版权归原作者所有。

论文离线与线上效果¶

原文线上 retrieval-only 对比报告 view time +0.46%、shares +0.77%；bypass 与弱源替换组合报告 view time +0.82%、shares +2.56%，并报告端到端召回延迟下降 69%。这些仅作为工业 P0 证据。本地 auto-research reproduce --paper grp 只检查跨 block 不泄漏、候选排序有区分度、生成梯度与 mGRPO 梯度有限；三种子结果见 metrics/mechanism-seeds42-44.json。

本地复现¶

本地对照口径：基线为不触发 logged-target 单边保护的同一 GRPO surrogate，实验组启用保护项；该 deterministic tensor mini-suite 只验证目标与梯度路径，效果相对变化不适用。

运行 auto-research reproduce --paper grp 可生成机制指标；三种子统一诊断见 metrics/mechanism-seeds42-44.json。

复现边界¶

未包含 Snap 私有数据、Qwen3-VL SID tokenizer、生产尺度训练、CUDA graph serving、反向目录和在线流量，因此标记 concept_demo / l1_mechanism，不进入 Evolve 的效果提升证据池。