Project Greenhouse：构建完全开放与主权的智能体搜索重排模型
🧭 开放主权 agentic search 重排 ★ 深度解读
University of Waterloo
用从零预训练+SFT 的 3B 点式重排模型，以少量 GPU 实现不依赖第三方权重的开放主权检索重排
📌 工作参考价值（4 点）
- 可复用训练配方：3B decoder-only 模型从通用语料（ClimbMix）从零预训练，再用公开相关性标注（RLHN-250K）做 LCE 点式微调，即可逼近/超过同量级 fine-tuned listwise/pointwise 重排器；电商/广告团队可照搬到商品/广告候选重排，避免依赖 Qwen/Gemma 等第三方权重带来的 license 与合规风险。
- 工程集成简单：点式重排把 query-doc 对映射为标量分数，候选独立打分、排序；相比 listwise 更适合局部候选集（如召回 top100）和线上并行，3B 可单 GPU 部署，适合 agent 搜索循环中对抓取/召回结果做优先级筛选。
- 模型 soup 提升稳定性：同一 SFT recipe 多次训练后平均权重作为最终 checkpoint，降低单次波动；在业务迭代中可用少量多次微调再平均来提升线上指标稳定性。
- 重排器可当 relevance judge/奖励信号：其标定后的分数可作为 RAG/agent 搜索中的相关性校验、强化学习 reward 或 rollout verifier，与 LLM 生成/重排组件解耦。
训练 Nemotron 攻克 IMO 金牌的开源配方
🧭 数学证明生成 · 测试时搜索与RL ★ 深度解读
NVIDIA
开源三 checkpoint 生成-验证-精炼管线在 IMO 2026 达 30/42 金牌线，并发布后训练与推理全栈
📌 工作参考价值（4 点）
- 多模型/多后训练 checkpoint 的异构集成比单模型增加采样次数更有效：在生成商品标题、搜索 query 或 Agent 动作方案时，同等 token 预算下分配多个互补模型生成候选，比单模型重复采样更容易覆盖不同解空间，类似推荐中的 ensemble diversity。
- 把「搜索期验证」与「最终选择」解耦：搜索期验证需要低假接受和可操作的反馈，最终选择需要更贴近真实奖励的昂贵评分器；对应粗排/精排/重排的分离，且最终重排可投入更多算力，不必复用搜索期评分。
- 验证器错误代价不对称：假接受导致搜索提前终止且不可恢复，假拒绝只增加时间和成本；在业务 pipeline 中若线上错误代价高，应设计保守阈值，并允许延迟恢复。
- 保留候选池和跨轮精炼：搜索中不直接丢弃高分但未过验证的候选，下一轮继续精炼；适合电商/Agent 中长尾候选，避免 aggressive triage 淘汰后期有价值方案。此外记录 token/GPU 小时资源核算有助于生产部署预算规划。
DFM Mimir v1：1B参数开放HRM模型，仅用许可数据达前沿性能
🧭 1B参数开放HRM语言模型
University of Southern Denmark · Ordbogen A/S · Aarhus University
用HRM架构与161个许可数据集训练1B模型，英语有竞争力并刷新丹麦语SOTA
📌 工作参考价值（4 点）
- 合规数据策略可落地：业务中常受用户隐私、版权数据限制；Mimir 用 161 个许可数据集训出 1B 可竞争模型，说明「只使用许可数据」不必然牺牲性能。电商/广告团队可优先构建高质量合规数据集（如平台内脱敏行为、商品描述、客服会话）做模型训练或微调。
- 小模型 + 高效架构值得关注：HRM 使 1B 参数接近 4B 性能，若其层级推理能降低解码步数或提升推理效率，适合线上生成式推荐/Agent 的低延迟约束；可试验类似层级生成语义 ID 或分步 query 生成。
- 多语言混合训练启示：针对小语种或垂直域数据稀缺，将稀缺语言与高资源语言任务混合训练能提升目标语言表现；跨境电商、多语言 query 推荐可借鉴。
- 完全开放基座便于快速验证：Hugging Face 可直接获取，合规风险低，适合作为多语言业务原型的基座模型，快速测试 prompt/微调效果。
WatchLens：可配置的在线视频推荐实验平台
🧭 在线实验平台与日志规范
Yonsei University
开源模块化平台，解耦 UI/内容/策略并绑定推荐上下文到行为日志，支持可控在线实验
📌 工作参考价值（4 点）
- 模块化实验架构可复用到电商推荐 A/B 平台：将 UI、内容池、推荐策略独立配置，策略可分别注入推荐流与商品详情页，适合首页猜你喜欢与详情页关联推荐的效果隔离实验。
- 事件级推荐上下文绑定：日志在记录时直接附上策略名与排序位置，避免后续离线拼接，对电商用户行为归因分析（点击、加购、转化是否由具体策略/坑位导致）有直接工程参考价值。
- 单服务器可部署：降低在线实验搭建成本，适合团队快速搭建可控的端到端推荐效果验证环境，用于孵化新策略的商业指标检验。
- 会话级对比分析方法：固定界面与内容池，仅变单一环节策略，可精确测量推荐变更对用户后续行为链的影响，可直接移植到直播电商的“直播间推荐卡”或详情页推荐槽位的效果评估。
AgentDebugX: LLM Agent 闭环调试与根因修复工具包
🧭 Agent 调试 · 根因分析与修复 ★ 深度解读
University of Illinois Urbana-Champaign · University of Toronto · Google · Stanford University
提出闭环调试框架AgentDebugX，其多轮根因诊断方法DeepDebug在Who&When上严格归因准确率28.8%优于单次方案21.7%，在GAIA上单次重试修复13/73失败任务。
📌 工作参考价值（4 点）
- 闭环植入推荐Agent质量保障：可将Detect-Attribute-Recover-Rerun流程嵌入推荐系统的Agent执行链路（如多轮对话推荐、商品搜索Agent），自动检测表象失败并回溯到真正决策错误步骤，将根因分析作为线上兜底策略。
- 根因分析用于模型迭代：DeepDebug的多轮全局扫描、结构引导探查与交叉验证机制可直接迁移，用于诊断推荐失败（如错误召回源头、排序打分支离），产出带证据的诊断报告，替代人工日志分析，加速Bad Case修复。
- 可移植轨迹表示降本增效：框架无关的AgentTrajectory格式支持跨LangGraph、CrewAI等常用Agent框架，适合多团队共享同一诊断工具；Error Hub可积累推荐Agent的失败-诊断-修复三元组，形成团队知识库，用于回归测试和长尾错误模式发现。
- 成本可控的渐进诊断：采用“简单规则→单次LLM读取→多轮DeepDebug”的成本递增路径，可根据任务复杂度动态选择诊断深度；对于推荐Agent，高频短链任务用轻量检查，长链多跳任务用DeepDebug避免定位偏差，工程上易于落地。
Boogu-Image-0.1：开源统一多模态理解与生成模型
🧭 统一多模态理解与生成
通过数据/训练管线优化和Agent式推理扩展，在极低计算预算下实现逼近闭源的多模态生成性能
📌 工作参考价值（4 点）
- Agent式推理扩展用于线上服务：将推理时间计算量化为可控资源，通过增加推理步数提升生成质量，该范式可直接用于Agent推荐系统的多步决策、query生成等，在延时允许下动态扩展推理深度提升效果。
- 数据效率与成本控制：仅用2.08亿图片达到领先性能，训练成本压到40万美元。在推荐系统中，可借鉴其数据筛选、去重、质量过滤的流程，用小规模高质量多模态数据对齐用户偏好，降低数据采集成本。
- 多模态生成能力迁移至商品创意：模型支持高质量文本渲染和中文生成，可直接用于广告创意、商品海报、营销图片的自动生成，将生成式推荐从物品ID扩展到视觉内容创造。
- 开源与可重现性：提供全套训练代码与权重，推荐团队可基于此快速搭建企业级多模态生成服务，并融入检索增强或个性化微调，避免依赖黑盒API。
终端智能体简单训练配方 Tmax
🧭 终端 Agent 强化学习训练配方
Allen Institute for AI · University of Washington
用分类法生成数据 + 仅结果奖励 RL，9B 模型在 Terminal-Bench 2.0 上达 27%，超越更大模型
📌 工作参考价值（4 点）
- 数据生成策略可复用：通过难度控制、角色多样化和验证器多样化生成大规模合成训练环境，这套方法可直接用于生成推荐系统智能体的指令或交互数据，尤其适合构建面向开发者的推荐工具 Agent。
- 仅结果奖励的 RL 简单有效：在推荐 Agent 的在线学习场景中，无需设计复杂中间奖励，直接使用最终任务成功与否作为信号，降低工程开销，且对超参不敏感。
- 开源基线可直接加速实验：Tmax 的数据集（2.5 倍于先前最大公开集）和模型可作为起始点，快速验证终端交互类 Agent 在推荐基础设施运维或自动化部署中的应用。
- 小模型通过 RL 可超越大模型：9B 参数模型经过 RL 训练后性能超过 32B 模型，对资源受限的推荐团队有强提示：精调小模型 + 针对性的 RL 数据可能比盲目上大模型更划算。