Cola2：连续语义压缩与平衡离散生成的协同自适应层次语言建模
🧭 层次语言建模 · 连续压缩离散扩散生成
The University of Hong Kong · ByteDance Seed · Peking University · Renmin University of China
提出Cola2，通过连续语义压缩、离散重建-生成平衡与连续-离散协同适应，346B tokens训练8任务平均60.10超越Llama-3-8B部分任务
📌 工作参考价值（4 点）
- 对生成式推荐/Semantic ID：将物品语义压缩为连续 latent，再离散生成语义 ID；负反馈控制压缩率可省去辅助 loss 调参，适合对商品描述或用户行为序列做自适应语义摘要，减少 token 预算。
- 对搜索/广告文案生成：block-causal masked diffusion 解码器在 clean/noisy/dropped latent 条件下训练，能提高对 query/商品属性缺失或噪声输入的鲁棒性；Classifier-free guidance 可显式调节文案对约束的重建忠诚度和自主创意之间的平衡。
- 对 Agent 多轮交互：推理时 re-encode under fixed span layout 保持隐历史与实际文本一致，可缓解多轮生成中 latent history 漂移；stop-gradient 分离 Flow Matching 先验与表示学习，适合多任务/多阶段训练，避免先验目标干扰主任务表示。
- 对工程实现：continuous latent 压缩+离散解码可减少长序列 token 数，提升长文本/长行为序列建模效率；训练用 clean/noisy/dropped latent 条件成本低，可作为增强 decoder 鲁棒性的通用 trick。
从内容到相关性再到个性化的渐进式 CTR 预估
🧭 多模态 CTR 预测 · Semantic ID ★ 深度解读
Alibaba Group
用多尺度细粒度 Semantic ID 将多模态内容融入 ID 型 CTR 模型，先做 query-item 相关性预训练再做点击微调，显著提升冷启动与创意区分
📌 工作参考价值（4 点）
- 把连续多模态 embedding 换成多尺度、字段保留的离散 SID：图片用 VAR 多尺度 code maps（1×1/2×2/3×3/4×4）得到 30 个 spatial token，不要用单个 global embedding；下游 SID lookup 可随机初始化，卡片离线抽取、在线只做 lookup，避免生成延迟。适合电商主图、创意图片、标题/OCR 等多模态特征接入现有 ID 排序模型。
- 两段式训练可直接迁移到业务：先做 query-item relevance 等语义相关任务（可用 LLM 教师或人工标注）全参数预训练共享 backbone，再用点击/转化日志全量微调。注意保留 dense 和 normalization 状态，只重置稀疏 optimizer accumulators；这比 embedding-only transfer 收益更大，也避免联合训练分布冲突。
- 架构上用 query 做 Q、title/OCR tokens 做 K/V 的 cross-attention，输出按字段身份拼接；图片 SID 按 scale/position 固定顺序拼接，避免平均池化。此设计在搜索广告、推荐主图排序里可复用，尤其适合需要识别同 item 不同创意差异的场景。
- 评估时除 AUC/GAUC，建议增加冷启动子集和同 item 内不同创意的 replay CTR（NSCTR），否则 ID 记忆会掩盖语义理解收益；在线业务指标中 GMV 提升幅度值得重点关注。
从图搜索入手改进学习型稀疏检索
🧭 稀疏检索 · 图索引加速
MIT CSAIL · ISTI-CNR · Linkup · University of Pisa
提出 GRIP 图索引系统，将倒排启发式融入图搜索，在 MS MARCO v2 上比 Seismic 快 2.5 倍
📌 工作参考价值（4 点）
- 如果业务在用 SPLADE、BGE-M3 sparse 等做大规模召回，不要默认倒排索引最优；可以评估 GRIP 这类图索引在商品/广告库上的 recall-latency，尤其在线服务对 95% recall@10 敏感时。
- 三个 trick 可拆开迁移：term-based entry point seeding 可插到 HNSW 等通用图 ANN 的初始节点选择；sparse sketching 适合高维稀疏 embedding 的快速距离裁剪；sparse partition-based 构图可适配电商 SKU 或类目聚集的稀疏分布。
- 如果线上同时维护倒排和图索引，可以用倒排表的高权重 term 作为图入口点或构图先验，降低重构图成本；增量更新时优先围绕高分词、高曝光 item 重建局部图。
- 注意标准 dense ANN 直接套到 sparse vectors 效果差，迁移前要做小规模 benchmark，关注稀疏度、term 分布和维度差异。
从噪声、多样来源中学习高价值训练数据权重
🧭 训练数据加权 · 元梯度学习
Hiddenweights · Arena · UCLA · Stanford · CMU
用目标域小数据集元梯度优化训练样本权重，学得可泛化、可迁移的加权规则，提升奖励模型对噪声与合成数据的利用效率
📌 工作参考价值（4 点）
- 在电商/广告的 LLM 奖励模型或偏好对齐中，维护一个高质量目标域评测集（如人工标注的偏好对、业务 KPI 相关的判分），用元梯度自动学习每个训练样本的权重，替代手工噪声过滤规则，尤其适合点击日志、用户评论等噪声多样的数据。
- 参数化加权规则可以部署为流式数据选择器：对新到达的样本实时预测权重，做过滤或重采样，适合推荐系统的大规模 UGC、曝光点击日志等持续数据流，降低存储与训练成本。
- 合成数据与人工数据混合时不再依赖固定比例，而是学习每个样本的权重，让混合数据超过任一单独来源；可复用到生成式推荐的物品描述、query 改写、广告文案生成的合成数据利用场景。
- 先在小模型上学习数据权重规则，再迁移到更大模型，能显著降低大规模训练的数据清洗与调参成本，是一种工程上可行的 Data-Centric AI 方案。
递归自改进的 Agent 编排：自博弈与技能内化循环
🧭 多智能体编排自博弈 · 技能撤除 ★ 深度解读
The Chinese University of Hong Kong, Shenzhen, China · Fudan University, China · University of Illinois Urbana-Champaign, USA · Tsinghua University, China · National University of Singapore, Singapore
通过双层递归自博弈，用技能撤除下的任务可学习性作奖励，实现零技能部署并全面超越基线
📌 工作参考价值（4 点）
- 技能生命周期管理：用“with vs without skill”成对对比估计技能净贡献，而非单看成功率或单一噪声分数，避免在课程分布变化时误判；可用 Bayesian 后验做撤除决策，设定预期损失上限，实现技能自动退役。
- 课程设计：在 RL 训练中，奖励任务在关键组件/技能被移除后仍保持结果多样性（learnability），而不是奖励绝对难度或失败，可避免优势坍塌并鼓励泛化；该思想可迁移到生成式推荐或多 Agent RAG 的任务采样。
- 训练效率：复用同一组 rollouts 同时做策略更新和技能评估，不增加额外采样成本；随机隐藏部分上下文可让模型提前适应零技能部署，逐步摆脱对昂贵工具或提示的依赖。
- 双层时间尺度架构：外层定期评估并撤除不再贡献的工具/提示，内层持续用自博弈优化编排策略，适合电商搜索推荐中多 Agent 流程的持续自我改进与降本。
多模态具身智能体：从计算机使用到机器人使用的统一能力中心视角
🧭 多模态具身 Agent 能力框架与评测
Show Lab, National University of Singapore
提出 PAPAV 五功能框架，统一比较计算机使用与机器人智能体，揭示 Anticipate 与 Verify 评测缺失
📌 工作参考价值（4 点）
- 将推荐/搜索 Agent 按 Perceive、Anticipate、Plan、Act、Verify 拆解能力项，分别建立评估指标，而不是只看最终转化或任务成功，便于定位失败环节。
- 在生成式推荐或 query 改写中，显式引入“动作影响预判”和“结果校验”模块：生成候选前先做效果预估与风险检查，生成后主动验证用户反馈，弥补现有链路只优化 Act 的不足。
- 对自动操作类 Agent（如电商后台自动化、广告账户操作），可借鉴其按功能而非架构的评测思路，设计分能力测试集，尤其覆盖不可逆动作前的 Anticipate 与执行后的 Verify。
- 整体为框架综述，无具体算法可迁移；核心价值在评估维度与系统解耦思路，可作为 Agent 评测设计参考。
EPIC：基于精确 KL 前缀重要性比率裁剪的 LLM 策略优化
🧭 LLM 强化学习 · 前缀级信任域裁剪 ★ 深度解读
Tsinghua AIR · ByteDance Seed · Tsinghua University
提出前缀累积似然比作为精确重要性权重，用 r-1-log r 坐标构建校准裁剪目标，稳定离线 MoE RL 训练
📌 工作参考价值（4 点）
- 电商/Agent 场景若用 RL 微调 LLM 生成商品文案、对话策略或搜索词，常面临异步 rollout 与离线策略偏移，可借鉴前缀级重要性比率裁剪：它比 token 级 GRPO 更能感知前缀累积漂移，又比序列级 GSPO 保留早期位置信号。
- 在 MoE 架构的 LLM 训练中，EPIC 无需存储专家路由索引即可稳定训练，大幅降低 driver 进程内存（对比 R2/R3 降 77.5%/93.0%），适合资源受限的大规模部署。
- 实现上只需对现有 PPO/GRPO 损失做轻量改造：累计 log ratio 得到前缀比率，按校准边界裁剪，无额外模型或 replay，可直接嵌入 verl 等框架。
- 信任域边界采用精确 reverse-KL 坐标和几何均值行为概率校准，比固定 clip 范围更适应长尾响应，对长序列生成任务（如多轮 Agent 交互、长文案生成）的 RL 调优有参考价值。
FAIRGate：公平推荐交付的 Agentic 运行时策略选择与验证修复
🧭 Agent 策略选择 + 公平推荐交付控制 ★ 深度解读
University of Massachusetts Boston
在推荐 top-K 交付中加 agentic 策略选择层，从预定义公平策略库按运行时上下文选择并执行验证修复
📌 工作参考价值（4 点）
- 在电商/广告重排层引入「固定 policy library + LLM 只做选择」的模式，避免 LLM 直接改排序；策略可定义为长尾曝光、品类/商家曝光平衡、集中度上限、校准保护、弃权。
- 用 deterministic validator 做最后把关：相关性损失、元数据覆盖、校准漂移、审计 trace 全部检查，不满足就 abstain/relax，防止公平优化过度损伤 GMV/CTR。
- 审计 trace 设计成 typed evidence keys，文案只从验证过的 trace 生成，可大幅降低 LLM 幻觉和敏感属性泄漏；在合规审计、可解释推荐中可直接复用。
- 实现上用结构化生成/JSON schema 约束 agent 输出，并要求策略选择必须引用具体 metric trigger，使线上策略选择可回放、可诊断，避免 LLM 自由输出公平判断。
复杂 Agentic Memory 是否总是必要？朴素 RAG 比我们想的更强
🧭 长对话记忆中朴素 RAG 基线对比复杂 Agentic Memory
Xi'an Jiaotong University · Shanghai Jiao Tong University · Zhejiang University · The Chinese University of Hong Kong
在长对话理解中，基于原始历史的朴素 RAG 在多数基准上超越复杂 agentic memory，并揭示保留原始信息的重要性
📌 工作参考价值（4 点）
- 在电商客服、用户 long-term profile、Agent 对话等场景，可以先实现朴素 RAG：直接对原始历史做 dense retrieval + reranking，再交给 LLM 生成回答，工程成本远低于构建复杂记忆系统，却可能获得更高准确率。
- 保留原始交互序列和日志很重要。复杂记忆转换（如 summary、知识图谱、记忆更新）会引入信息损失，导致后续推导所需的依赖路径丢失；在推荐/客服场景应保留 raw evidence 作为检索源。
- 证据覆盖率比单条证据利用率更关键。朴素 RAG 可能检索到更多冗余但相关证据，即使部分证据未被 LLM 充分利用，也能通过提升 recall 来弥补 precision 的不足，因此评估记忆系统时不要只优化 top-k 精度。
- 重排序在 raw-history RAG 中是有效的 trick：先 dense retrieval 提高 recall，再用 reranker 压榨 top-k 质量，可以在低 ingestion 成本下达到甚至超越复杂记忆的表现。
工具型智能体中基于行为定位的鲁棒软技能适配
🧭 Tool-Using Agent 软技能行为定位适配 ★ 深度解读
University of Surrey
提出 Behavioral Localization，定位技能真正改变行为的少量轨迹位置来训练短 soft prompt，减少漂移并提升任务成功率
📌 工作参考价值（4 点）
- 如果你的电商导购/搜索/客服 Agent 用长 system skill 控制工具调用，可尝试从成功轨迹中选 top-k 关键 token 蒸馏成短 soft prompt；相比全轨迹蒸馏，只学行为变化最大的位置，能减少对基座已有能力的破坏。
- 定位分数 = logprob gain × JS divergence，可迁移到 prompt/example 剪枝：保留那些既提高正确答案概率、又明显改变 next-token 分布的轨迹节点或 few-shot 示例，删掉基座模型本来就会的冗余内容，降低上下文与 KV cache 成本。
- 训练时在未选中位置用 no-skill 分布做 KL anchor，这种「选择性正则」适合在线更新推荐文案生成、搜索 query 改写等 Agent 策略时使用，避免更新引入不必要行为漂移。
- 业务中不一定要替换成 soft prompt；top 10% 关键位置可作为高价值数据，用于构造短 prompt、压缩演示示例，或生成局部偏好对做后续对齐。
HiSTEVE 1.0：面向开放世界游戏的通用人机接口 VLA 智能体
🧭 层级 VLA 智能体原生界面控制
The University of Hong Kong · Zhejiang University · Fudan University · LIGHTSPEED · Independent Researcher
分层 VLA 智能体结合 VLM 规划与原生键鼠控制，在 Minecraft 原子与长程任务上达到 SOTA
📌 工作参考价值（4 点）
- 层级式 Agent 设计可借鉴：VLM 仅做高层子任务规划，低层 VLA 执行具体动作，中间用结构化记忆跟踪进度；在电商导购/广告投放操作助手中可采用「规划-执行-记忆」分离，降低单模型长程推理负担。
- 能力边界感知的 harness 值得落地：规划器只在执行策略能力范围内选择子任务，避免下达无法执行的动作；对应到推荐对话 Agent，可维护「可调用技能/工具白名单」，让 LLM 规划时显式约束候选动作。
- 完成状态检测器耦合策略上下文：不只靠视觉或 LLM 判断子任务是否完成，而是以 VLA 策略隐状态为条件；在电商 RPA/浏览器自动化中可参考用执行策略的中间表示辅助判断任务完成，减少误判和重复执行。
- 异构交互分支处理可复用：GUI 操作与非 GUI 操作使用不同 RMSNorm 分支和独立鼠标移动 token embedding，避免相互干扰；统一 Agent 同时操作网页、调用 API/工具时，可对不同 action 类型分域建模，降低冲突。
IQuest-Q1：面向 Agentic CLI 系统的稀疏 MoE 基础模型
🧭 Agentic LLM 训练 · MoE 与多阶段后训练
IQuest Research
320B 稀疏 MoE 模型，通过多阶段训练和模型合并强化 CLI agent 编码能力
📌 工作参考价值（4 点）
- 稀疏 MoE 架构（320B 总参、15B 激活）在保持大模型容量的同时控制推理成本，适合需要实时响应的搜索/推荐 Agent 场景，可参考其专家路由设计，减少线上 latency。
- 多 scaffold + 多版本后训练策略（SFT + 领域 RL + MOPD 跨多种脚手架）能整合互补训练信号，在电商 Agent 中可借鉴：针对商品知识、会话策略、API 调用等不同子任务分别设计 scaffold 和奖励，再合并训练，提升整体鲁棒性。
- 模型合并技术（merge 不同 expert 和 checkpoint 并缓解参数冲突）可直接迁移到多任务推荐模型融合，例如把单品推荐、query 改写、对话策略等专家模型合并为统一模型，降低维护成本。
- 两阶段课程学习先通用后增加 coding 数据，可用于垂直领域 LLM 微调：先在大规模通用语料上稳定训练，再逐步增加电商/广告领域数据，避免灾难性遗忘。
基于流的谱核学习用于非平稳注意力
🧭 注意力核学习 · 线性注意力
The University of Hong Kong · National University of Singapore · Universidad Carlos III de Madrid
FSKA 用归一化流学习非平稳注意力核，移除 QK 投影并固定正交 V 投影，减少参数 40-47% 且保持线性注意力
📌 工作参考价值（4 点）
- 在电商用户行为序列 Transformer 中可替换标准 softmax 注意力为 FSKA：线性注意力内存扩展适合处理长点击/购买序列，避免截断，尤其适合用户长期兴趣建模。
- 投影参数减少 40-47% 的思路可直接用于压缩 CTR/CVR 或 Agent 策略网络的 Transformer 层：移除 query/key 投影、使用固定正交 value 投影，能降低参数量和过拟合风险，适合中小规模业务数据。
- 可学习的非平稳核比固定 softmax/RBF 更灵活，可适应行为序列中时间间隔、事件类型等异构 token 交互；其谱密度正则化方式可迁移到其他基于内积的匹配或聚合层。
- 注意论文聚焦通用序列建模，在推荐/广告数据上的效果需自行验证；更偏组件级参考而非端到端推荐算法。
LLM 分类器的电路化组合与成本优化
🧭 LLM 多分类器自适应组合与成本优化
Harvard School of Engineering and Applied Science · Kempner Institute for the Study of Natural & Artificial Intelligence · School of Electrical and Computer Engineering, Georgia Institute of Technology · Department of Electrical and Computer Engineering, University of California, Santa Barbara · Center for Computational Mathematics, Flatiron Institute
将多个 LLM 分类器组织为自适应查询电路，以更低成本突破路由/级联的准确率前沿
📌 工作参考价值（4 点）
- 在电商/广告/搜索中，LLM 常用于意图分类、商品属性打标、内容审核、相关性评分等；借鉴电路思想，将不同 prompt/模型/温度配置视为带成本的分类器，基于混淆矩阵动态调度，比固定级联更省调用成本。
- 工程实现上，可把每个 LLM 分类器封装为统一 Query/Decision 节点，离线用验证集估计各节点的 per-class 错误率和成本，再用动态规划搜索给定预算下的最优执行路径；在线按查表决策，适合批量打标和实时流量。
- 需要低成本高可靠性的 LLM 评审或 guardrail 场景，可先用便宜模型筛简单样本，对不确定性样本再追加强模型或 self-consistency，但要预先校准各分类器的条件错误率，避免误差传播。
- 对 Agent 评估 / 自动评测 / 推荐理由质量把关等任务，论文结论支持在多个弱监督信号之间做电路化融合，不等同于简单投票或级联，能更高效利用算力预算。
LongZero：从零数据增强 LLM 长上下文推理
🧭 长上下文推理 · 零数据自合成 RL
Tsinghua University
LongZero 让 LLM 无需外部数据，通过自合成紧凑证据再展开为长上下文，用 GRPO 提升长上下文推理
📌 工作参考价值（4 点）
- 在电商/搜索推荐 Agent 中，常需对长会话、多商品描述、多文档策略进行推理；可借鉴 LongZero 的思路，让模型先生成结构化的证据链（问题-答案-支持证据），再将证据扩展为多文档上下文，构造无外部标注的 RL 训练数据。
- 当业务场景缺少高质量长上下文标注数据或不想依赖更强教师模型时，可以用 GRPO 在自合成任务上训练，提升模型在长文档抽取、多跳推理、多轮检索上的泛化能力。
- 将自合成多轮检索任务加入训练，有助于优化 Agent 在长上下文中的检索与定位能力，例如在商品知识库、用户评论、活动规则中定位支撑某一推荐/答案的证据。
- 注意该方法主要针对长上下文推理本身，不直接提升推荐精度；作为基础能力训练手段，可集成到现有 Agent/LLM 训练流程中，重点解决推理链路可靠性与长上下文定位问题。