Read More, Reason Deeper: Latent Workspaces for Long-Sequence Recommendation
阅读更多、推理更深：长序列推荐的潜在工作空间
🧭 长序列推荐 · 解耦证据与推理缩放 ★ 深度解读
Meta MRS · Facebook Discovery
用持久化 typed banks 与固定大小 workspace 解耦证据/推理缩放，10K 历史下 NE +0.19%、前向 GFLOP -69.6%
📌 工作参考价值（4 点）
- 架构级解耦：把用户历史、请求上下文、相似事件等证据放入持久化 typed banks，仅让固定大小的候选 workspace 在层间传递。增加历史长度不影响每层状态，适合电商长行为序列排序。
- 每层 Query-Reread-Interact：workspace 先做 self-attn 生成 source-specific queries，再从 banks cross-attn 读取证据，最后与候选做 FM/deep-cross。深层可做候选相关的精读，而不是早期一次性筛选。
- condensate archive：非最终层压缩 post-interaction 状态写入 archive，后续层同时读原始证据和压缩后的中间决策。可用于多跳兴趣演化，避免遗漏早期证据。
- 算力分配：joint scaling 曲线给出在历史长度与推理深度间分配训练 compute 的评估方式；上线可追求同等质量但大幅降 GFLOP，10K 历史下前向 GFLOP 降低 69.6%。