复杂分块何时值得？大规模分块方法多目标评估
🧭 RAG 密集检索 · 分块多目标评估
University of Passau · Interdisciplinary Transformation University Linz
8种分块策略的规模化评测表明复杂分块很少一致优于简单分块，最佳选择高度依赖模型、数据和规模，且成本差异显著
📌 工作参考价值（4 点）
- 在电商 RAG 场景（商品文档/评价/客服知识库）中，先以固定长度或递归分块作为 baseline，不必一上来用 Proposition/语义分块等复杂方法：它们往往只带来微小或不一致提升，但索引与维护成本更高。
- 选型分块时把索引吞吐、查询延迟、向量库内存纳入评估，而不只看 nDCG/Recall；相同检索指标下，优先选择 chunk 数量少、平均长度小的策略，可显著降低线上召回和存储成本。
- 分块效果与 embedding model 和 corpus size 存在交互，没有 universal best；上线前应在自己模型与目标语料规模下做小规模多目标 ablation，并分别报告 Recall@k 与 nDCG@k，因为结论可能随目标指标不同而翻转。
- 对于长文档召回，采用“更细分块 + MaxP/段落级聚合”常是一个稳的起点；复杂分块若不能在同一模型/数据上稳定提升，不建议为微弱效果付出工程复杂度。
GOD：通过深度嫁接增强序列推荐泛化
🧭 序列推荐知识蒸馏 · 组件级嫁接 ★ 深度解读
Pohang University of Science and Technology
提出组件级知识蒸馏框架GOD，将学生组件嫁接进冻结教师构造混合源模型，强化序列推荐泛化
📌 工作参考价值（4 点）
- 组件级蒸馏替代输出级蒸馏：在电商/广告点击序列建模中，若教师-学生 KD 效果受限，可尝试将学生 embedding 或 encoder 临时插入冻结教师路径，分别得到 Embed-Grafted Teacher 和 Encoder-Grafted Teacher。这样能分离“嵌入不可靠”和“编码器过拟合”两类误差，比仅匹配教师输出更适合稀疏行为数据。
- Transformer 序列模型可用 Grafted Encoding 稳定训练：将教师侧与学生侧 token 拼接，允许互注意力（mask 为四块均 causal），早期教师 token 提供稳定上下文，后期学生 token 细化表示。训练 attention 开销约翻倍，但收敛更快，且不影响线上推理。
- 推理零开销，适合轻量线上模型：混合源模型只在训练阶段使用，线上仍用原始学生模型，不增加额外耗时。对需要低延迟的推荐/广告精排模型是可落地的 KD 增强方案。
- 自适应对比权重技巧可复用：GCL 对六种表示对做对比学习，并用 batch 内平均相似度的 stop-gradient 计算权重，抑制冗余对、强调互补对。该思想可迁移到多视图对比学习、多任务蒸馏中的损失加权。
工具技能检索失败：可执行能力检索中的源风格坍缩
🧭 Agent 工具检索的源风格坍缩与路由 ★ 深度解读
University of Manchester · University of Sheffield · Shanghai University of Finance and Economics
固定工具库下 dense retriever 会因 query 源风格偏移而覆盖崩溃，TF-IDF 路由+少样本修复可显著恢复覆盖。
📌 工作参考价值（4 点）
- 在多源工具库/API 注册中心上线前，用 query-side TF-IDF 质心距离对流量做源风格监控，设置 safe/unsafe band 做路由护栏，成本极低且能避免线上 candidate coverage 崩溃。
- 不要用 naive 混合训练或平衡重加权来解决多源 drift，它会损害原本匹配源的覆盖；更划算的做法是保留多个 retriever checkpoint，做 source-aware routing，并对 mismatched 流量用 20 条左右 matched examples 做短时继续微调。
- 检索层是 agent 执行链路的入口，评估时优先看 coverage 或 coverage-weighted top-1 proxy，而不是只看 covered query 上的 reranker 精度；未覆盖 query 必须直接记为失败，否则会掩盖系统风险。
- 把工具/API 重渲染成标准化 skill card 并不能消除源风格坍缩，说明问题在 query-tool pairing 习惯和措辞分布，而不只是 schema 格式；做 skill 库时不要把格式归一化当成语义漂移修复。
HarnessRisk：面向智能体骨架全生命周期的安全基准
🧭 Agent harness安全评测
University of North Carolina at Chapel Hill · University of Central Florida · Michigan State University
提出覆盖六阶段的Agent harness安全基准，发现配置阶段最脆弱且风险识别不保证安全行动
📌 工作参考价值（3 点）
- 在电商搜索/推荐Agent中，将安全评测拆分为配置、扩展、运行、状态持久化、动作控制、恢复六个阶段，可快速定位风险面——尤其配置阶段（权限、工具白名单等）最为脆弱，工程上应默认最小权限并定期审计。
- 不要只依赖模型的风险识别能力，需在harness层增加强制拦截/审计：论文显示90%以上检测到风险仍可能保持较高攻击成功率，识别与安全行动之间存在显著gap。
- 构建内部安全回归集时，可采用“良性用户目标+不可信工作流嵌入对抗指令”的构造方式，覆盖不同harness与模型配置，同时统计Utility、ASR、Persistence、Detection多维指标。
LEGO-RL：原生编码 Agent 强化学习训练框架
🧭 Coding Agent RL · 原生 harness 训练框架 ★ 深度解读
Huawei Technologies Co., Ltd · The Chinese University of Hong Kong
桥接原生编码 agent harness 与策略梯度优化，在不改控制流下实现可信 RL 训练并显著提升 SWE-bench 解决率
📌 工作参考价值（4 点）
- Agent 化推荐/搜索场景可复用 in-process proxy：在业务 Agent（如导购、客服选品）中，用模型 API 边界代理记录 token ID、log-prob、response mask 和 MoE 路由，训练侧重放，避免 harness 上下文压缩/重写造成轨迹失真；对于 sparse MoE 模型尤其重要，路由重放可将 rollout-train 概率相关性从 0.9946 提到 0.9993。
- 异步 rollout + 终止状态过滤：长 horizon Agent 任务时长差异大，按基础设施失败/超时/有效但不完整分类轨迹，无效轨迹排除出组相对优势估计，防止执行故障污染梯度；组内方差不足的任务需难度筛选，否则零方差组无学习信号。
- 奖励完整性防御可迁移到任何带执行反馈的推荐 Agent：限制网络、隐藏评测信息、依赖打包、隐藏仓库历史，防止 Agent 通过外部状态作弊，保证奖励真实反映任务完成。
- 可观测性设计值得借鉴：失败原因分布、轨迹查看器、一致性面板，在训练崩溃时快速区分策略退化与执行/集成故障，支持早停与人工诊断，减少无效实验成本。
LineageRAG：构建带来源锚定的证据谱系增强 GraphRAG
🧭 GraphRAG 多跳证据溯源与锚定
XiaoLab, Beijing University of Posts and Telecommunications · Xi'an Jiaotong University
为每个证据需求构建显式谱系并通过原文字段锚定来源，显著改善多跳检索与生成效果
📌 工作参考价值（3 点）
- 在电商知识图谱/商品属性图上做多跳推理时，可先将用户 query 拆成多个证据需求（如品类、属性、场景约束），并在图谱遍历中保留每个候选与需求的绑定关系，避免最终结果只覆盖部分意图。
- Agent 做多步检索/推荐解释时，可借鉴 lineage completion：用已检索片段的 provenance 选择互补证据，并强制对每个需求提供原文字段支撑，缺少支撑的需求触发补召回或降低置信度，从而提高可解释性和防幻觉能力。
- 工程上可把“需求初始化 → 需求条件检索 → 谱系补全 → 来源锚定”拆成独立模块，在电商 RAG pipeline 中输出带有引用来源的结构化证据链，便于 debug、评估和线上链路追踪。
LLM 增强多图学习与对比对齐的 POI 推荐
🧭 多图对比学习 · LLM 语义增强 ★ 深度解读
Institute for Digital Transformation - University of Applied Sciences Ravensburg-Weingarten, Germany
用 LLM 生成语义图和地理图扩展 LightGCN，通过跨视图对比对齐缓解 POI 冷启动
📌 工作参考价值（4 点）
- LLM 生成 item 语义图：对 item 的多模态信息（图/文/元数据）用 LLM 生成 photo summary + keywords，再用 sentence transformer（如 all-MiniLM-L6-v2）编码后做 top-k 相似度建图。电商/本地生活可直接对商品标题、详情、图片生成摘要，构建商品语义邻接图，冷启动 item 也能获得邻居信号。
- 地理邻近性建模：用 Haversine 距离 + top-k（k=10）构建地理 item-item 图，权重取 1/(1+distance)，与语义相似度权重同尺度，归一化后做 LightGCN 传播。本地生活/门店推荐可直接复用，电商可扩展到配送范围、仓储邻近等空间关系。
- 跨视图对比对齐很关键：将 collaborative embedding 与 semantic/geographic embedding 做双向 InfoNCE，仅对 batch 内正样本计算，τ=0.2，λ=0.05 作为正则化项。消融显示该对齐是主要收益来源，去掉后 Recall@20 下降 22.9%。建议在多路召回或表示融合场景中，用对比损失强制行为表示与内容/空间表示一致。
- 工程实现简单有效：所有视图共享 item embedding 矩阵，多图传播后直接 additive fusion 相加，不引入额外参数。这种轻量设计适合线上快速迭代，后续可替换为可学习加权融合。
MoE-ViE：用于高效图像与视频理解的混合专家视觉编码器
🧭 视觉编码器 MoE 高效扩展
Meta
系统研究 CLIP 视觉编码器的 MoE 设计，以细粒度拓扑与无辅助损失均衡实现高效扩展并超越稠密模型
📌 工作参考价值（4 点）
- 电商多模态召回/排序依赖 CLIP 式视觉编码器，可替换为 MoE-ViE 类细粒度 MoE 编码器，在商品图片/视频特征提取中获得更高吞吐、更低延迟；其专用 MoE kernel 可直接借鉴到线上推理优化。
- 细粒度 MoE 拓扑与无辅助损失均衡方法可迁移到多模态特征塔或用户行为序列编码器，减少专家负载不均衡和训练不稳定，提升模型容量扩展效率。
- 视频理解中的帧级蒸馏与冻结机制适合电商直播/短视频场景：在已有图像编码器基础上增量扩展视频能力，避免灾难性遗忘，无需从头预训练视频模型。
- 对于多模态 Agent（如商品问答、视觉搜索），视觉编码器是延迟瓶颈之一，采用 MoE-ViE 可在保持精度下降低端到端延迟，适合交互式场景。
ParaTempo：基于时序置信度的高效并行推理
🧭 LLM 推理 · 分支级动态计算分配
Shanghai Jiao Tong University · University of Pennsylvania
无需训练的异步并行推理框架，用时序置信度驱动分支剪枝/早退/分叉/投票停止，降延迟 21.8-32.2%、token 18.1-30.3% 且精度持平
📌 工作参考价值（4 点）
- 生成式推荐/Agent 多路径决策：可把“周期性探测答案分布 + 时序置信度”作为分支管理信号，替代 final consensus 或局部 token confidence，更早识别低质分支；适合电商复杂 Agent 的规划/工具调用、搜索 Query 多路改写投票等在线场景。
- 工程实现无需训练，异步不等待慢分支：对商品文案多版本生成、RAG 多路检索答案生成等，可借鉴“低置信剪枝 → 高置信早退 → 释放算力分叉新分支”的编排，降低 token 量与 P99 延迟。
- 时序置信度计算可复用：对每个分支按滑动窗口聚合最近 probe 的答案分布，度量 dominant answer 集中度，作为收敛预警/停止投票信号，比 token-level entropy 更稳定；在生成式推荐语义 ID 投票或用户意图多解评估中可试。
- 停止条件可参考 confidence-weighted vote 集中而非全分支完成，适合需快速响应、长尾分支拖累明显的业务。
曝光份额预测：排序系统的离线评估任务
🧭 排序系统离线评估 · 曝光份额预测 ★ 深度解读
Meta Platforms, Inc.
提出曝光份额预测作为离线评估任务，用因果模型识别并预测候选排序模型的目标桶曝光分布，首小时Transformer rollout提升22% L1
📌 工作参考价值（4 点）
- 在电商/广告多目标排序上线前，除了 AUC/NE/RIG，增加一个“曝光份额偏移”预测器：用候选模型离线打分分布（log-bin 直方图 + mean/var）和 coverage 向量预测其可能把曝光从高价值目标（成交/支付）挪到低价值目标（点击/浏览）的比例，提前拦截收益风险。
- 识别环节可用论文的 SCM：由于模型状态 A 由架构/训练决定、不受当前容量状态 D 反向影响，P(Y|do(A),D)=P(Y|A,D)，无需 IPW/domain adversarial 等复杂纠偏；如果业务中有类似“策略不反向影响系统状态”的结构，可直接用观测数据做反事实预估。
- 工程上优先用简单 RF + 特征（22维置信度 + 容量）即可拿到 seen models 的 49% L1 提升；若做新模型冷启动预测，首小时必须替换成近期容量动态的序列编码器（如 PatchTST 2h rollout），否则可能比均值基线还差 20%。
- 对 LLM/Agent 生成式推荐：若未来要把 LLM 作为 ranking 模块放进共享流控/预算系统，其 score distribution 和 coverage 特征同样可以用来预估曝光分配，避免只盯文本质量指标。
RegulaRAG：基于LLM的法规合规场景生成（以UN第152号法规为例）
🧭 RAG 检索增强生成优化
RegulaRAG结合SmartChunking、图遍历参考感知增强与Smart Retrieve & Rerank，在法规场景生成中Meta-Score 82.99，领先43%
📌 工作参考价值（4 点）
- 结构感知切片（SmartChunking）：对法规、商品说明书、活动规则等长文档RAG，保留标题/章节/条款层级，避免简单固定长度切片导致上下文断裂，可显著提升LLM回答准确性。
- 参考感知增强：通过图遍历自动关联段落与表格（例如电商SKU参数表与正文描述），解决表格信息在RAG中检索不到或割裂的问题，可直接用于商品详情页问答、售后政策查询。
- 三步渐进式参数搜索：不依赖暴力网格搜索，快速找到chunk大小、top-k等检索参数，降低调参成本，适合快速迭代的电商RAG系统。
- 鲁棒性压力测试：用干扰文档扩充语料库评估RAG稳定性，可作为上线前评测标准，防止因知识库膨胀导致检索质量急剧下降。
SAHC-NS：面向隐式协同过滤的结构感知与硬度校准负采样
🧭 负采样 · 结构感知与硬度校准
Beijing Institute of Technology
用逐层匹配分数的均值与标准差捕获跨层结构差异，并基于候选池硬度动态校准负样本难度
📌 工作参考价值（4 点）
- 在电商双塔召回或 GNN 推荐模型中，可以保留各层传播的 user/item 表示，计算逐层匹配分数的均值与标准差，筛选出“跨层结构不一致”的负样本（如外观相似但交互结构不同的商品），而不仅看最终分数，提升 hard negative 质量。
- 可借鉴候选池感知的硬度校准：统计每个用户负样本池的匹配分数分布（均值/方差），对候选池整体偏容易的用户加大负样本增强强度，对偏难的用户降低强度，避免固定负采样策略导致的训练不稳定。
- 适用于点击、加购、转化等隐式反馈场景，可在现有 GNN 召回/排序模型中增加逐层分数统计与校准模块，工程实现成本可控。
- 如果业务中存在大量未观测样本或易混淆广告，可参考其结构感知评估方式，增强模型对相似商品/广告的判别边界。
SemComp-Bench：语义任务完成视频生成基准
🧭 视频生成评估 · 语义任务完成
University of Science and Technology of China · FrameX.AI · Sun Yat-sen University
提出 SemComp-Bench 基准，用 VLM 评估视频生成在结果达成与语义 grounding 上的表现
📌 工作参考价值（4 点）
- 评估思路可迁移：在商品短视频/广告创意生成中，聚焦最终结果是否达成与任务相关语义是否保持，不必苛求逐帧一致，降低审核成本。
- 采用 VLM 回答结构化二值问题输出 OA/GR 两个分数，可在生成式推荐中分离“目标达成”和“语义相关性”做自动化质量评测，定位失败环节。
- 四阶段数据 curation pipeline 可参考：从原始视频自动提取参考图、指令和结果片段，规模化构建业务生成评估集，加速模型迭代。
- Semantic grounding 定义允许无关属性变化，可迁移到电商商品属性控制：只绑定关键属性（材质、形状、功能），其他外观可多样化，适配创意生成。
生成式推荐中的解耦时间编码
🧭 生成式推荐 · 时序解耦编码 ★ 深度解读
Rajax Network Technology (Taobao Shangou of Alibaba) · Yale School of Public Health
将宏观时间动态与微观顺序先验解耦，轻量注入 Transformer，在淘系闪购广告在线提升 CTR +1.8%、RPM +3.0%
📌 工作参考价值（4 点）
- 把时序建模拆成两条通路：输入层用紧凑 temporal primitives（recency decay、intra-day/weekly sinusoid、traffic burst）注入 item embedding；attention 层用 time-gated 的 relative-order bias，仅在时间间隔密集时激活。外卖、即时零售、广告等强时间规律场景可直接替换 RoPE/ALiBi。
- 避免大 interval embedding table，DTE 只增加 238 个参数、0.47 KB FP16，在线延迟 +0.3%。工程上很适合已有 Transformer ranking 管线插拔，不需要重构 backbone。
- 个性化时间融合：用用户历史平均池化过 MLP + softmax 为每个 temporal primitive 生成权重，而不是统一静态时间嵌入。对上班族周末/工作日、午晚餐差异明显的用户更有收益。
- 分析行为序列平均时间间隔可以指导是否启用顺序 bias：密集序列上收益最大；稀疏序列主要靠时间戳即可。可作为 A/B 分桶或模型开关参考。
使用廉价辅助信号的语言模型条件评估
🧭 LLM 条件评估 · 半监督控制变量
Department of Statistics and Data Science, University of California, Los Angeles · Department of Statistics and Finance, School of Management, University of Science and Technology of China · Microsoft · Department of Statistics and Data Science, National University of Singapore
提出 LACE 半监督估计器，用便宜信号局部中心化控制变量估计 LLM 条件性能，实现无偏且高效。
📌 工作参考价值（4 点）
- 用 LLM-judge、模型置信度、pairwise 偏好等廉价信号，对推荐/搜索/Agent 系统按流量切片（新客、低活跃、长尾 query、分业务场景）做条件效果评估；LACE 的局部中心化确保即便信号有偏也不影响估计目标，减少对人工标注的依赖。
- 借鉴局部岭控制变量：在少量人工标注子集上估计 gold label 残差均值，与全量 cheap score 均值结合，可有效降低条件指标估计方差；评估体系选型可先计算 cheap signal 与 gold label 在目标子群的局部 R²，优先选高相关信号。
- 对 A/B 实验和模型迭代，可用其模型对差距估计器和部署加权得分，分析模型在不同流量桶/商品类目/用户群体上的条件提升是否显著，避免只看整体均值。
- 在 Agent/LLM 推荐链路中，可把 reward model 或 judge 输出当作廉价信号，监控线上分场景性能，低成本识别退化区域。