HELIX：统一扩展特征交互与序列建模¶

复现级别：L1 架构机制。 实现三流 token、单向 U-only 缓存、跨深度 MixFormer/SeqFormer 交互与多任务头；没有 TikTok 私有数据和线上流量。

论文信息¶

项目	内容
论文链接	arXiv v1
公司/机构	TikTok / ByteDance
首次公开日期	2026-09-29（arXiv v1）
原文开源代码	否：截至 2026-09-30，未找到原作者发布仓库
Adapter	`helix`
本地复现代码	`src/auto_research/reproductions/helix/`

原始论文总结¶

论文文稿另标注 2026-08-27；本站按可公开核验的 arXiv v1 日期登记。

背景与主要改动¶

工业排序通常分别扩大异构特征交互与长行为序列，两条轴单独扩展都会遇到上限。HELIX 交错 SeqFormer 与 MixFormer，但强制信息只从可复用的 user-only sequence state 流向 candidate-conditioned mix tokens，使用户侧序列计算能跨候选复用，同时保持两轴的跨深度通信。

flowchart LR
  U[U-only 行为序列] --> S[SeqFormer encoder/decoder]
  C[候选与交叉特征] --> M[MixTokenizer]
  S -->|one-way K/V| M
  M --> X[MixFormer]
  X --> T[多任务 towers]
  S -->|可缓存复用| C2[其他候选]

原论文关键图¶

原论文 Figure 1，展示 U-only / U×C / mix tokens 及 M-FALCON 单向交互。图片来自原论文，版权归原作者所有。

核心公式¶

本地用候选条件化 cross-attention 实现 \(M' = M + \mathrm{Attn}(Q=M,K=S_U,V=S_U)\)，而 \(S_U\) 的更新不读取候选 token；MPTF 分支把 position-wise FFN 和 per-token FFN 的输出经门控融合。测试显式检查改变候选会改变输出，但不会改变缓存的 user state。

论文离线与线上效果¶

原文在 TikTok 电商推荐完整流量 A/B 中报告约 6% GMV/user 提升，细表给出最高 5.4624% 的对应实验项；同时报告 CTR/CVR AUC 改善。这是进入工业 P0 队列的证据，不是本站结果。

本地复现¶

本地对照口径：基线为同一 user cache 下的候选 A，实验组为候选 B；只检查候选敏感性与 cache 不变量，没有公开效果指标，相对变化不适用。

运行 auto-research reproduce --paper helix 可生成机制指标。三种子统一诊断见 metrics/mechanism-seeds42-44.json；模型验证有限 loss、候选条件化 delta、user cache 不变与有限梯度。

复现边界¶

本地使用合成张量，不含私有训练数据、线上 A/B 或论文规模系统优化，因此 reproduction_level=concept_demo。只有接入公开公平数据、基线和多种子 validation/test 隔离后，才能讨论效果复现或进入 Evolve 搜索空间。