Discovery Foundation Models: Toward Open-Ended Discovery Intelligence
发现基础模型：走向开放式发现智能
🧭 基础模型 · 开放式发现智能
PhAI Labs
提出 Discovery Foundation Models 框架，让基础模型从解题升级为参与新知识的创建、验证与修订
📌 工作参考价值（4 点）
- 将推荐/广告策略迭代重构成“可修订研究状态”闭环：把每个召回或排序改动视为 intervention，用离线评估、A/B 实验或线上指标作为 evidence gating，自动更新策略状态，减少人工排期和主观判断。
- 在生成式推荐或 query 推荐中引入外部证据校验：对 LLM 生成的 Semantic ID、推荐理由或搜索词，不只依赖模型自评，而要接入商品属性、用户行为、库存等外部 grounding，通过 gate 过滤低置信输出，提升可信度。
- 跨场景的 Discovery Skill 抽取与复用：将问题定义、假设生成、实验设计等子能力模块化，在多个品类或场景间持续微调，让 Agent 在新业务冷启动时快速迁移已有发现能力。
- 采用过程为中心的评估：除了最终 CTR/GMV 等指标，也量化中间步骤质量（如假设覆盖率、证据充分度、实验设计的可验证性），用于诊断 Agent 系统的瓶颈，引导迭代优化。