个性化视频缩略图生成：偏好感知高亮检索与可控生成
🧭 个性化视觉内容生成·高亮检索
提出个性化视频缩略图生成任务，结合用户偏好高亮帧检索和VLM引导扩散生成，显著提升点击偏好
📌 工作参考价值（4 点）
- 广告/商品创意图个性化：借鉴偏好感知检索，根据用户历史行为选择视频/图像中的关键区域（锚点），再用生成模型个性化重构，例如动态广告图生成。
- 两阶段解耦架构：检索阶段融合用户交互和内容语义，生成阶段注入VLM提取的语义线索，可提高生成结果的相关性和质量。
- 面向点击优化：通过用户研究直接验证个性化缩略图能提升点击率，类似方法可用于电商搜索推荐中的创意元素个性化（如主图背景、文案风格）。
- 技术细节：使用扩散模型基于锚点图像指导生成，结合文本提示（如VLM描述）控制风格，可迁移至商品场景图的个性化生成。
更便宜更好：折扣感知网络用于电商推荐CVR预测
🧭 折扣感知CVR预测
DANet通过傅里叶频谱、分布去偏和回归辅助任务建模商品折扣率对转化率的影响，离线AUC提升1.61%。
📌 工作参考价值（4 点）
- 将折扣率作为显式特征引入CVR模型，并使用时频变换捕获长周期折扣趋势，可借鉴到价格敏感品类的推荐排序中。
- 分布去偏模块设计适用于电商大促、满减等场景，能缓解用户折扣偏好和周期性活动带来的偏差，可迁移至其他有偏差的用户行为建模（如优惠券使用）。
- 引入折扣率回归辅助任务，联合主CVR任务训练，能提升模型对折扣幅度的准确表达，可推广到其他数值敏感特征（如价格、评分）的多任务学习。
- 整体架构轻量，已线上部署，证明折扣感知信号在工业级推荐系统中切实有效，可作为转化率模型的通用增强模块。
功能感知中间填充训练提升编码智能体基座模型
🧭 编码智能体训练 · 函数感知填充
用函数调用结构的自监督中间训练增强编码智能体，在复杂任务上提升超3%并缓解能力侵蚀
📌 工作参考价值（3 点）
- 主要是学术贡献，业务可借鉴点有限。
- 利用程序依赖图选择关键片段进行掩码训练的思想，可迁移到序列推荐中——针对高偏置交互或语义关键 token 进行掩码，强化模型对长程依赖的建模。
- 在对话式推荐 Agent 的训练中，可设计类似的中间训练阶段，注入“查询-结果-使用”的循环偏置，提升模型对工具返回结果的利用效率。
关键帧条件视频生成全面评估基准
🧭 关键帧视频生成评估基准
HKUST(GZ) · Kling Team · PKU · RUC · NWPU
首个系统性关键帧视频生成评估基准，分解六项执行度指标并揭示模型在忠实度与自然度间的权衡
📌 工作参考价值（4 点）
- 若涉及商品展示视频生成（如电商详情页短视频），可借鉴六维关键帧执行度指标（存在性、保真度、时序、定位、持久性、唯一性）构建自动化质量校验流水线。
- 自动化评估框架中“证据支撑的MLLM判断+专业感知模型”的组合，可用于离线评测生成视频对给定商品图片序列的还原程度，减少人工评审成本。
- 实验揭示的“关键帧密度增加导致性能退化”结论，提示在设置关键帧数量时需平衡约束与自然度，对产品化参数调优有参考价值。
- 开源模型无法正确解释故事板网格输入的时间顺序，提醒若采用此类输入格式需谨慎，或需设计前处理模块注入时序信息。
基于信息增益的推理预算分配优化语义ID生成式推荐
🧭 生成式推荐 · 语义ID · 推理预算分配
按语义ID位置的信息增益自适应分配推理计算量，实现精度与效率平衡
📌 工作参考价值（4 点）
- 生成式推荐推理时，可按语义ID位置的信息增益分配latent refinement步数：早期token（如类目层级）增益高，多分配计算；后期token增益低，少分配，总体节省计算量。
- 在实际部署中，可离线统计不同位置token的信息增益，或在线上动态学习分配策略，平衡推理延迟与精度。
- 方法轻量，不改变模型结构，仅调整推理时的迭代步数，易于在已有生成式推荐框架上实现。
- 思路可拓展至其他序列生成任务（如搜索query建议），对重要token分配更多计算资源。
基于证据锚定的可验证智能推理：通过工具见证内核证明消除LLM幻觉
🧭 LLM推理验证 · 证据锚定
提出 EG-VAR 架构，用 Lean 证明内核确保 LLM 推理每一步有可靠证据来源，实现 100% 验证精度。
📌 工作参考价值（4 点）
- 借鉴证据锚定思想：在电商搜索推荐 Agent 生成关键结论（如商品合规性判断、敏感推荐理由）时，强制输出附带数据源引用与验证链，减少幻觉风险
- 轻量级审计机制：可简化 Lean 形式化验证，用规则引擎或数据库约束替代，对 Agent 输出关键字段做一致性检查并记录追溯日志
- 分层设计思路：将高风险决策（如广告内容审核）剥离为独立验证模块，普通 LLM 调用保留灵活性，形成“主推理 + 形式化 sidecar”架构
- 错误处理模式：明确区分“可验证断言”与“放弃输出”，避免 Agent 生成无法验证的内容，提升系统整体可信度
KnowAct-GUIClaw：知识驱动、完美执行的个人 GUI 助理，具备自演化记忆与技能
🧭 Agent 框架 · 自我演化 · GUI 交互
Harbin Institute of Technology, Shenzhen · Shenzhen Loop Area Institute
提出 KnowAct-GUIClaw 框架，通过可插拔的 GUI 子智能体与经验归因记忆、自演化技能库，实现跨平台长程任务自动化，性能超越闭源模型
📌 工作参考价值（4 点）
- 经验归因记忆与技能库的架构可迁移至对话或推荐 Agent：将用户交互历史与反馈持续存入记忆，用于动态更新用户画像和决策策略，提升长会话中的准确性。
- 可插拔子智能体设计适用于多端部署：在电商/广告场景中，可为不同平台（App、小程序、网页）开发专用 GUI 子智能体，共享同一记忆与技能库，降低跨平台迁移成本。
- 技能自演化机制可用于工具调用优化：借鉴其从执行经验中自动提取并泛化“技能”的思路，可让推荐系统或广告投放 Agent 根据历史效果数据自动发现高频操作模式，形成可复用的执行捷径。
- 基于开源的 Agent 框架改造：在 OpenClaw 等现有框架上引入 Know-Route-Act-Reflect 管线，无需从零开发，即可尝试为用户助理类产品增加自我改进能力。
LLM KV缓存近无损压缩：联合Tucker分解与JL残差分配
🧭 LLM推理 · KV缓存压缩
将KV缓存视为三阶张量，用部分Tucker分解+JL旋转低比特残差联合优化，实现近无损2-3倍压缩
📌 工作参考价值（4 点）
- 对于部署LLM做推荐解释、对话Agent的场景，可直接应用JoLT将KV缓存压缩2-3倍，节省显存、提升批处理大小与吞吐，且保持输出质量几乎不变。
- Tucker分解+JL残差的联合优化思路（拉格朗日对偶分配秩与比特预算）可迁移到电商搜索推荐中其它高维张量压缩任务，如用户-商品-时间嵌入压缩。
- FlashJoLT的随机SVD加速策略可作为在线压缩的工程参考，适用于需要动态调整压缩率的推荐模型部署。
- 该方法在分组查询注意力和多头注意力结构上均有效，证明其对主流LLM架构通用，建议在实际Agent/生成式推荐系统中优先尝试。
LLM 品牌回答的噪声从何而来：方差分量分解
🧭 方差分量分解 · 可靠度优化
Estonian Entrepreneurship University of Applied Sciences · Rankfor.AI
将 LLM 品牌推荐的非确定性分解为语言、模型、提示改写和重采样四类方差，指出扩展语言和模型比重复采样更有效提升可靠性
📌 工作参考价值（4 点）
- 评估 LLM 生成推荐（如品牌/商品推荐）的可靠性时，不要只重复多次提问：重复采样的方差贡献大但边际收益低；优先增加语言变体、模型种类可显著降低相对误差。
- 品牌排名可靠性极低（单次回答 ICC 仅 0.01），若用 LLM 做品牌健康度监测或竞品分析，必须设计多语言多模型交叉采样方案，否则结果几乎无区分度。
- 该方法可直接移植到电商搜索推荐评估：通过 G 研究分解方差分量，再通过 D 研究优化样本预算，确定需采样多少 prompt、语言、模型以获得目标可靠度。
- 品牌-语言交互（8.6% 方差）意味着多语言评估时品牌得分随语言变化，提示需要统一语言基准或加入语言控制，避免双语偏差。
MemOps：长周期对话中记忆生命周期操作的基准诊断
🧭 对话记忆操作评估
将对话记忆评估从黑盒问答转为显式操作诊断，揭示记忆失败的结构化原因
📌 工作参考价值（4 点）
- 在购物助手/推荐Agent中显式建模记忆操作：不要只依赖隐式的长期记忆，设计 remember、forget、update、reflect 等原语，并记录每次操作的范围、触发条件和状态变迁，便于追踪用户偏好演化。
- 评估记忆系统时分离最终答案与内部状态：当Agent回答“我上次推荐了什么”时，不仅检查答案正确性，还需验证内部存储的交互历史是否一致，避免错误答案被掩盖。
- 会话级检索优于逐轮检索：对于基于检索的记忆系统，维持整个会话的上下文窗口或会话级索引比逐轮检索更可靠，可将此原则用于构建商品浏览会话记忆。
- 长上下文模型在记忆轨迹重建上弱：若直接使用长上下文LLM作为记忆载体，需注意其对有序操作序列的遗忘问题，建议结合结构化记忆日志或定期压缩/反思机制。
MESH：通过异质内容统一扩展检索规模
🧭 异质内容统一检索 · 尺度优化
提出模块化门控偏置校正框架MESH，缓解多内容层级检索中的扩展偏置，大幅提升稀疏内容召回能力
📌 工作参考价值（4 点）
- 异质内容分域建模：将不同曝光频次的内容（爆款、长尾、冷启动）划分独立特征域，通过域隔离减少高频信号对低频信号梯度更新的干扰。电商推荐中可针对新品、长尾商品设置专属子塔或门控单元，避免被爆品淹没。
- 门控偏置校正单元：在上层融合前引入可学习的门控偏置，自动校准不同域的输出置信度，缓解冷门 item 在打分时被系统性低估的问题。可直接嵌入现有双塔或多塔的融合层。
- 稀疏 item 缩放指数提升14×：该方法显著改善新鲜物品的长尾分布拟合，线上新鲜 repin 提升5.5%，证明长尾内容也能从模型容量增长中受益。适用于电商新品冷启、UGC内容推荐等场景。
- 异步 Serving 提升吞吐2.87×：模块化设计天然支持异步执行，稀疏分量可延迟更新或复用缓存，降低在线延时。对需要多路召回融合的大规模系统，可作为工程优化参考。
面向视觉无关的组合图像检索：属性增强评分与LLM重排序
🧭 视觉无关组合图像检索·属性增强与LLM重排
The University of Tokyo · Kioxia Corporation
通过属性增强混合评分和LLM重排序，实现视觉无关的零样本组合图像检索，CIRR R@1 44.04%（+8.79%）
📌 工作参考价值（4 点）
- 视觉无关检索范式：将数据库图像离线预生成文本描述（如商品标题/属性），用文本检索替代视觉编码器，大幅降低计算和存储成本，适合电商海量商品库的粗召回。
- 属性增强评分：显式提取并匹配查询与候选图像的属性（颜色、类别、材质等），弥补纯文本描述的视觉细节丢失，可嵌入商品搜索排序的relevance score计算中。
- LLM重排序：对粗排Top-K结果，利用LLM验证“修改文本”是否被满足（如“改成黑色”），提升语义一致性；可迁移至电商对话式搜索、多模态交互中的精排阶段。
- 零样本能力：整个流程不依赖CIR标注数据，开箱即用，适合冷启动或快速迭代场景；可快速验证“参考图+修改文本”这种查询形式在导购、搭配推荐中的效果。
让个性化模型更轻量更智能
🧭 个性化排序模型轻量化与深度缩放
将个性化排序重构为紧凑知识库的迭代精炼，实现 O(N) 每层成本，解耦深度与用户历史长度
📌 工作参考价值（4 点）
- 紧凑中间表示解耦深度与序列长度：借鉴 SlimPer 固定大小的知识库表示，在电商推荐中可串联更深网络而不显着增加计算与内存，便于扩展更细粒度的用户行为建模。
- 请求级优化共享用户特征：对同一请求中多个候选商品，只维护一份用户侧 token，大幅减少显存占用，适合高并发在线广告/推荐服务。
- 显式多模态匹配打分：在注意力中直接计算用户与商品 token 的匹配分数，可迁移到搜索广告中，在粗排或精排阶段提供可解释的相关性信号。
- 统一稀疏稠密序列特征：将账户画像、实时行为与长期序列统一 backone 处理，简化特征工程与模型部署，适合大促场景下多类型特征快速融合。
RxBrain：联合语言推理与视觉想象的具身认知基础模型
🧭 具身Agent联合语言-视觉规划
Tencent Robotics X Team · Futian Laboratory · Tencent Hy Team
将语言推理与视觉想象统一为一个规划序列，实现具身任务的耦合文本-视觉规划与执行
📌 工作参考价值（4 点）
- 多模态规划范式可迁移：将高层语言推理（任务分解、约束、时序逻辑）与视觉状态预测（子目标图像生成）融合成一个序列，这种“语言蓝图+视觉落地”的范式可借鉴到电商商品推荐文案生成中，先规划叙述逻辑再生成对应商品图，提升图文一致性。
- 统一的多模态生成架构：采用单模型支持语言、图像、视频的理解与生成，避免多模型拼接的累积误差。对于需要同时处理商品标题、详情图、视频的推荐系统，统一的 Transformer 混合架构可简化流程。
- 自动数据构造管线：从视频自动分解规划步骤并对齐视觉状态，这种弱监督思路可启发我们利用用户行为序列（如点击→加购→购买）构建“推理-状态”训练数据，训练推荐模型进行因果推理或意图预测。
- 零样本动作扩展：模型在没有大规模动作数据预训练的前提下，仅通过语言和视觉规划直接泛化到连续机器人控制。这提示在多模态推荐中，若将动作空间也建模为序列的一部分，可能实现未见过动作的组合推荐。
深度学习因果检索优化：Pinterest高效电商分发触发策略
🧭 因果学习 · 检索触发策略优化 ★ 深度解读
Pinterest, Inc. · LinkedIn
将检索级触发决策建模为因果提升问题，利用随机化数据与双重稳健多任务学习，离线重放选择阈值，线上大幅缩减购物触发并提升整体参与度
📌 工作参考价值（4 点）
- 触发决策因果化：将“是否触发某类候选集”视为增量预估问题，而非相关性排序，可直接用于电商推荐中控制商品卡片、广告坑位的展示频次，避免过度分发损害用户体验。
- 反事实数据收集与DR训练：通过随机化Holdout流量获得无偏反事实数据，使用Doubly Robust伪结果训练uplift模型，配合多任务学习与事件级上采样，可复用到消息推送、广告投放等稀疏事件的触发决策中。
- 离线重放评估与阈值选择：基于随机化日志的线性时间复杂度重放算法，提供不同阈值下的业务指标曲线，与线上效果高度一致，无需频繁线上实验即可迭代策略，工程成本低。
- 解耦学习与决策：模型只学习潜在结果和提升信号，策略阈值通过离线重放选择，二者解耦，使产品侧可审计、可解释地调整触发力度，无需重新训练模型。