SPEAR: 社区搜索中端到端自适应改写与检索的防短路框架
🧭 端到端查询改写与检索联合优化 ★ 深度解读
National University of Singapore · Shanghai Dewu Information Group Co., Ltd.
通过梯度隔离双嵌入、乘性门控和动态选择器，解决改写-检索错位与通用词主导效应，点击召回@10提升99.5%
📌 工作参考价值（4 点）
- 在多路召回改写系统中，可用乘法门控替代加法路径评分（如 Softplus 保证非负后加权），强制改写贡献需同时满足高置信与高 item 相关，直接消除高频通用词的分数膨胀问题。
- 若模型同时服务召回和排序任务，采用双嵌入分支 + stop-gradient 隔离梯度，保护召回语义不被 CTR 优化扭曲，工程上仅需增加少量投影 MLP，易于部署。
- 动态生成样本级的 scale/bias 参数（由用户和 query 表征共同决定），使改写权重与匹配分数能随请求自适应校准，比固定超参更具个性化性。
- 离线评估改写模型时，可同时关注 Exposure Recall、Click Recall 和 Semantic Similarity 三个指标，分别衡量检索覆盖、点击恢复和意图保真，避免单一语义相似度的片面性。
GenPage：Netflix 端到端生成式首页构建
🧭 生成式推荐 · 页面级自回归生成 ★ 深度解读
Netflix · University of Alberta
用单个 Transformer 自回归生成整个多行首页，线上核心指标+0.24% 同时延迟降 20%
📌 工作参考价值（5 点）
- 自定义 tokenization 大幅压缩行为序列长度：将用户行为、属性、上下文映射为固定词汇 token，显著降低输入长度和推理成本，适合搜索/推荐场景中的序列建模。
- 页面级自回归生成 + 混合行解码：只自回归生成每行前几个关键实体，其余通过一次前向评分补全，平衡推理质量与延迟；电商首页、频道页或搜索结果页布局生成可复用。
- 预训练+WBC 后训练范式：先用正反馈页面做 next-token 预训练，再用加权二分类直接预测每个 token 的即时价值，实现端到端生成式推荐器，替代传统多级模型。
- 约束解码实现业务规则硬约束：利用 token 与实体/行的一一映射，通过 logit 掩码强制满足布局、去重、分类要求，适用于生成式推荐的可控输出。
- 上下文注入与语义嵌入融合解决冷启动：对新物品通过注入元数据和内容语义嵌入，让模型在没有交互数据时也能生成合理推荐。
迈向 AI 可视化协同科学家：端到端智能体自动生成定制可视化应用
🧭 Agent · 多智能体协同 · 自动化可视化
Lawrence Livermore National Laboratory · Vanderbilt University · University of Notre Dame
提出多智能体协同框架，仅凭数据与高层描述自动生成领域定制的交互式可视化分析应用
📌 工作参考价值（4 点）
- 多智能体流水线设计：将复杂任务分解为探索、规划、实现、验证、评估等阶段，每个阶段由专门 Agent 负责，产出结构化文档驱动下游，可借鉴至推荐或 Agent 系统的自动化流程编排。
- 层级记忆系统：跨会话存储洞察和经验，回流学习机制可应用于 Agent 长期记忆与知识积累，提升后续任务效率。
- 基于浏览器验证的闭环设计：利用真实环境反馈自动迭代修复，类似电商场景中通过仿真环境验证推荐策略或 Agent 决策，提升可靠性。
- 任务驱动验证基准：以未明确规定的真实竞赛任务为测试集，提供一种脱离固定评测集的思路，可用于生成式推荐或 Agent 系统以任务完成度作为最终指标。