AiSAQ-in-Filtering：无 DRAM 过滤向量检索
🧭 向量检索 · 过滤搜索 · DRAM-free ANNS ★ 深度解读
Kioxia Corporation
提出 LiPQ 将标签与向量联合 PQ 编码，使过滤 ANNS 保持接近零 DRAM 且索引加载快
📌 工作参考价值（4 点）
- 若业务使用 DiskANN/AiSAQ 做向量检索，带类目、品牌、属性等过滤条件时，可采用 LiPQ 把离散标签与 item embedding 联合 PQ，标签信息编码进压缩向量，避免标签单独占 DRAM，利于多租户和频繁索引切换。
- 标签距离用负内积，二进制标签可扩展为 BM25/稀疏关键词权重，实现语义向量 + 关键词混合检索而不额外增加内存；注意 β 需手动调，β 过大时 LiPQ 量化误差会上升。
- 实验显示 Zipf 分布标签（贴近电商头部类目/品牌）比 uniform 更体现 LiPQ 优势，长尾标签 recall 提升最多 55%，可优先在长尾过滤属性上验证。
- 索引加载时间从分钟级降到毫秒级（uniform 标签 SIFT1M 从约 970 秒降到 10.1 ms），对实时索引切换、多租户 SaaS 检索服务有直接价值。
生成式信息检索语义 ID 空间的系统性研究
🧭 生成式检索 · Semantic ID 设计空间 ★ 深度解读
Artefact Research Center · LERIA, Angers University
统一 PQ 与 RQ 的语义 DocID 设计空间，发现混合 PQ×RQ 最优，Uniqueness Ratio 是训练前关键门槛
📌 工作参考价值（4 点）
- 在生成式推荐/检索中构建 Semantic ID 时，先计算 Uniqueness Ratio U：若 U<0.9，下游 MRR/Recall 会显著崩塌，应作为训练前的硬性门槛，避免浪费训练资源。
- 短 DocID 或强压缩 token 预算下，优先选择端到端训练的 R-VQ，而不是分层 k-means；R-VQ 码本使用更均匀，能保持 U 和检索性能，例如 M=4 时 R-VQ 仍达 44.0 MRR@10，而 PQ×R-VQ 只有 26.2。
- 可尝试混合 PQ×RQ 结构：将 item embedding 先分成 C 个并行子空间，再在每个子空间做 L 层残差量化，同等 token 预算下（如 C=2, L=8）可超过纯 PQ 和纯 RQ，适合电商物品多模态 embedding 的语义 ID 设计。
- 用训练前的结构诊断指标（Uniqueness、Normalized Entropy、Shared Semantic Similarity、Contrastive Alignment Preservation）快速筛选 DocID 空间，尤其要区分 hierarchy 与 parallelism 的结构偏好，选择对应度量，避免只靠端到端训练评估。
通过下一概念预测迈向隐空间语言模型
🧭 下一概念预测 · 隐空间语言模型
Shanghai AI Lab · LUMIA Lab, Shanghai Jiao Tong University
在 8.9B 参数规模验证 NTP 与 Next Concept Prediction 联合训练，用 51.3% tokens 达到 OLMo-3-7B 最终 loss
📌 工作参考价值（4 点）
- 将 product quantization 作用于 hidden states 构建离散概念 vocab，可类比生成式推荐里的 Semantic ID，对 item/category/query 做多粒度 token-context 联合建模，让 LLM 在生成物品或搜索词时既有 token 级流畅度又有概念级语义约束。
- 只更新 17M 的 VQ module 即可实现域适配，适合电商多品类、多场景快速切换：固定底座，仅调整 codebook/概念映射，省去全参微调，便于线上迭代和 A/B 测试。
- 把 concept representations 注入 draft model 做投机解码，mean accepted length 提升 4.17% 且开销可忽略；在 Agent 工具调用、推荐理由生成等长文本输出场景可低成本加速推理。
- 联合 NTP + NCP 在同等算力下逼近或超过更强 baseline，提示大模型底座或领域微调时可加入概念级辅助目标，提升样本效率和 downstream 指标。
Tlow：基于流模型的物品分词器，将语义嵌入映射到标准正态空间以提升生成式推荐
🧭 生成式推荐 · Semantic ID 分词 ★ 深度解读
Tsinghua University · Tencent Inc. · Shenzhen International Graduate School, Tsinghua University
用 normalizing flow 将物品语义嵌入转换为维度独立、标准正态的 latent，再做并行 PQ 分词，显著提升生成式推荐的语义 ID 质量与冷启动表现
📌 工作参考价值（4 点）
- 生成式推荐/搜索中做 semantic ID 时，优先用 normalizing flow 预处理 item embedding 再做 PQ，而不是直接在原始 embedding 上 OPQ；尤其适合跨域、多模态、图文混排场景，能显著提升 codebook 语义纯度和解码并行度。
- 代码书对齐损失（MSE 对齐 token 空间与 codebook 空间的 cosine similarity 矩阵）实现简单、可插拔，可作为现有生成式推荐训练的额外正则；但 codebook 本身质量决定上界，需先保证分词语义清晰。
- 工程上线时，token embedding 数量仅 C×S（如 16×256=4096），可替代千万级 item ID embedding；flow 训练在百万级 item embedding 上即可收敛，每日对数千万新物品的 tokenize 仅需单 GPU 几分钟，适合高时效冷启动，例如新品、新内容快速进入召回。
- 线上冷启动验证显示 UCTR 提升 10.32%、新 item UCTR +11.64%，且头部内容曝光占比下降，说明该方法有助于长尾和冷启动分发；电商大促新品、广告新素材 cold-start 可复用该思路。
超越均匀位分配的量化
🧭 向量量化 · 非均匀位分配
Indian Institute of Science · Microsoft Research · Microsoft STCA
针对MRL嵌入提出按连续桶非均匀分配位数的量化框架，等存储下PQ/SQ召回最高提升8%/18%
📌 工作参考价值（4 点）
- 若线上 embedding 具备 MRL 结构（例如多任务/多模态训练或直接使用 MRL 训练），可以放弃 uniform bit allocation，按维度重要性分桶，将更多 bit 分配给高方差/高信息桶，特别在 int4/int8 等低比特压缩下能显著提升召回。
- 工程落地风险低：分桶为 contiguous bucket，利于 cache 和 SIMD；贪心位宽搜索可离线执行，线上查询只使用预计算码本，无额外推理开销。可直接在 DiskANN 等向量索引层实现，开源代码可参考。
- 对商品/用户 embedding 大规模建库时，先做小样本统计分析维度方差/重要性，若存在递减或聚类结构，可考虑 variable bit allocation；存储预算固定下比加 GPU 或换模型更容易提升 recall@k。
- 该工作主要针对 MRL 嵌入；如果不确定业务 embedding 是否具备 Matryoshka 属性，可先训练或验证 MRL 特性，或在线收集维度重要性指标，再决定是否启用非均匀量化。
并行生成式推荐的自适应语义容量分配
🧭 生成式推荐 · 自适应语义ID ★ 深度解读
Institute of Automation, Chinese Academy of Sciences · University of the Chinese Academy of Sciences
提出自适应分配语义槽的码本比特，动态决定ID长度与码本大小，提升并行生成式推荐准确性
📌 工作参考价值（4 点）
- 构建商品语义ID时避免固定每个槽的码本大小，利用信息分布差异，将更多比特分配给区分度更高的维度（如重要品类），去除无信息槽，节省计算并提升效果。
- 贪心分配比特的方法简单有效，只需维护重建损失表，在一次离线过程中即可完成自适应分配，适合工程化。
- 自适应ID长度使模型在线推理仍保持并行一步预测，无需束搜索，延迟可控，适合高吞吐的电商搜索推荐场景。
- 思路可迁移到其他多目标/多模态特征编码：对用户行为序列的多维量化、多模态特征融合的码本设计均可用容量分配避免冗余。
TileMaxSim：IO感知的GPU分块MaxSim打分与融合量化
🧭 多向量检索GPU加速 · IO-aware kernel
MIT-IBM Watson AI Lab
通过维度分块与融合PQ解压缩，将GPU上MaxSim峰值带宽利用率提升至80.2%，打分吞吐提升220倍
📌 工作参考价值（4 点）
- 搜索/推荐系统中若使用ColBERT等多向量模型做召回或排序，可将TileMaxSim作为即插即用的GPU算子，将候选评分延迟从百毫秒降至毫秒级，显著降低端到端延迟。
- 在实现自定义的打分/聚合CUDA kernel时，可借鉴其IO-aware SRAM分块策略：流式加载文档嵌入并在寄存器中累积最大值，避免实例化庞大的相似度矩阵，最大化带宽利用率。
- 融合PQ解压缩与scoring的思路可迁移至在线检索中压缩嵌入的快速还原计算，通过共享内存查找表减少HBM读取量，适用于存储压缩的电商商品或广告嵌入。
- 维度分块技术解决了嵌入维度超过共享内存容量的问题，可推广至高维推荐模型（如d>128）的打分加速，保持恒定吞吐。
大规模多模态推荐的URecJPQ：联合乘积量化实现内存高效模型
🧭 多模态推荐模型压缩 · 联合乘积量化
University of Bari Aldo Moro · University of Glasgow · Spotify
用联合乘积量化将用户/物品ID与多模态特征压缩为共享子嵌入拼接，在参数量减少98%+的同时保持推荐精度
📌 工作参考价值（4 点）
- 在电商/广告等大规模多模态推荐场景，可直接采用 联合乘积量化（JPQ） 替换全量 ID 嵌入表：为每个 user/item 分配多组码本中的码字索引，拼接得到嵌入向量，将参数量压缩 98%–99%，大幅降低 GPU 显存占用和检查点大小。
- 多模态侧，可将预训练的模态特征（文本、图像等）也纳入量化框架，例如对模态编码器输出做分桶或学习离散码本，避免存储每个 item 的完整 dense 向量，特别适合物品库频繁更新的广告系统。
- 实验发现，在婴童产品等某些品类上，量化后模型 Recall 反而提升 85%，暗示嵌入压缩带来的正则化效应能缓解稀疏数据下的过拟合，可尝试在 cold-start 或长尾 item 上刻意使用更高压缩比。
- 工程落地几乎零成本：URecJPQ 仅修改嵌入查找层，不改变模型主干架构，可以直接嫁接到现有双塔、DIN 等模型上，快速上线测试。
ColBERTSaR：通过乘积量化实现ColBERT索引稀疏化
🧭 神经检索 · 索引压缩与稀疏化
Johns Hopkins University
利用乘积量化将ColBERT密集索引转化为真正的倒排索引，在保持效果的同时缩小索引50-70%
📌 工作参考价值（4 点）
- 多向量检索索引压缩：如果业务中使用类似ColBERT的多向量检索（如商品多模态嵌入匹配），可直接借鉴乘积量化将每篇文档的Token嵌入离散化为码本ID，构建经典倒排索引，大幅降低存储和查询时的解压开销。
- 平衡效果与存储：该方法在保持检索质量的前提下，索引大小仅为1-bit PLAID的30%-50%，对于资源受限的电商搜索或推荐系统，可作为一种轻量级部署方案。
- 查询效率优化：传统ColBERT查询瓶颈在于“收集-解压”阶段，本工作通过量化将直接倒排查询，省去了在线解压和MaxSim的全量聚集，适合要求低延迟的实时推荐或搜索场景。
- 学习稀疏化思路：文中指出的“嵌入量化等价于学习稀疏检索”观点，启发我们可以用类似方法将其他稠密检索模型压缩为稀疏表示，方便与现有搜索引擎基础设施集成。