稀疏ID可以唯一表示item，有很好的区分性，但丧失了对item的细粒度信息刻画。纯文本可以准确可以item属性，但构造成prompt太长，套入到LLM中会导致资源消耗过大。那么如何结合两者的优点呢？COBRA首先根据codebook生成item的稀疏ID，该ID可以理解为item的大类别。既不过于精细，像unique id，又不过于宽泛。然后将ID序列输入到Transformer Decoder

TIGER是第一篇将Generative Retrieval 自回归生成方式应用于推荐系统的工作；它通过Semantic ID 和 Seq2Seq Transformer，突破embedding + ANN的传统限制；在冷启动、多样性、效率和泛化能力上展现强优势；适用于大规模推荐场景，尤其是content-rich、item海量、频繁上线新品的平台。

毫米波雷达是**“务实的功能性传感器”**，性价比高，全天候可靠，尤其擅长测速。激光雷达是**“精确的建模型传感器”**，能构建高精地图，是高级别自动驾驶的“眼睛”，但成本高且受天气制约。它们是智能系统感知世界的两种互补技术，共同确保了车辆或机器人在复杂环境下的安全运行。

这两天尝试了使用Github Action来自动化部署博客，踩了一些坑，在此记录一下。新建仓库存放博客源文章的仓库（Source Repo），命名随意存放编译后生成的静态文件的仓库（Page Repo），命名username.github.io配置部署密钥利用 ssh-keygen 来生成公钥和私钥：私钥放于Source仓库的 Settings -> Secrets -> Action

在面试中，遇到有些面试官会问分布式训练的有关问题，在此总结一下。分布式训练的并行方式主要分如下两种：数据并行：将数据集切分放到各计算节点，每个计算节点的计算内容完全一致，并在多个计算节点之间传递模型参数。数据并行可以解决数据集过大无法在单机高效率训练的问题，也是工业生产中最常用的并行方法。模型并行：通常指将模型单个算子计算分治到多个硬件设备上并发计算，以达到计算单个算子计算速度的目的。一般会将单个

大模型推理加速的一个常用技术是KV Cache，在不牺牲任何计算精度的前提下，通过空间换时间，提高推理性能。注意，这里的Cache概念非常简单，跟浏览器缓存、CPU缓存不是一个概念。more在生成式模型的推理过程中，假设给定一个输入文本，模型会输出一个长度为N的文本，但是该过程执行了N次推理。因为模型每次推理只输出一个token，然后将输出token与输入tokens拼接在一起，作为下一次推理的输

传统的DSSM双塔无法在早期进行user和item侧的特征交互，这在一定程度上降低了模型性能。我们想要对双塔模型进行细粒度的特征交互，同时又不失双塔模型离线建向量索引的解耦性。下面介绍两篇这方面的工作。more。

在 GitHub 上，开源项目通常会使用一些常见的开源协议来定义项目的使用、修改和分发规则。

精排正样本：曝光点击负样本：曝光未点击粗排正样本：曝光点击负样本：如果只复用精排的负样本，粗排模型对精排模型的拟合就会出现比较大的偏差。因为粗排打分高的item可能会被精排打低分，导致不能下发曝光。而精排的正负样本量很少，粗排只见到了精排的样本，对于自己打分高的item，并不知道其正负属性，在下一次打分中，可能仍然会对其打高分。因此除了精排的负样本，仍然需要从精排未下发的item中负采样一部分，作

这两种指标常用于衡量模型性能的好坏。more。