摘要： 推荐系统中，粗排和精排的设计目标存在本质差异：粗排侧重高效过滤（轻量模型、简化特征），快速筛选候选集；精排侧重精准排序（复杂模型、丰富特征），输出最终结果。两者关系应保持“核心趋势一致，细节适度差异”：粗排需覆盖精排的优质候选（通过模型蒸馏实现偏好对齐），同时允许效率驱动的合理偏差，由精排修正。过度追求相似性会导致效率损失或精度下降，合理分工才能实现“高效筛选+精准排序”的协同优化。

摘要： 复旦大学MARS论文提出了一种解耦式时间建模方法，通过K个用户条件指数衰减速率和JSD多样性正则化，将时间感知聚合与序列编码器分离，实现encoder-agnostic的时间建模。该方法解决了现有方案（如固定衰减函数、内嵌时间编码等）的个性化不足与架构耦合问题，支持灵活接入DIN、DNN等模型。核心创新包括：1）多速率衰减曲线捕捉用户多节奏兴趣；2）JSD正则化防止速率退化；3）训练/推理

【摘要】生成式推荐网络在工业界呈现多样化发展，腾讯AMGR采用多模态编码和Transformer解码，实现15%的点击率提升；快手OneRec通过MoE架构和DPO优化，观看时长提升1.6%；Google TIGER利用语义ID生成式检索，冷启动准确率提升12%；Meta HSTU采用特征序列化技术，转化率提升12.4%；字节跳动Infinity实现高分辨率图像生成，点击率提升9.3%。技术趋势呈

生成式推荐系统：从技术革新到工业落地 生成式推荐系统正通过大语言模型（LLM）实现端到端序列生成，替代传统级联架构，提升建模效率和效果。工业实践显示，快手、美团等企业已通过混合架构优化算力利用率（如训练MFU达23.7%），并解决冷启动、多样性等问题。技术瓶颈如推理延迟和可控性通过序列压缩、注意力优化逐步突破，但数据偏差和隐私问题仍需关注。未来方向聚焦多模态生成、具身智能和自进化系统，推动推荐系统

【摘要】生成式推荐网络在工业界呈现多样化发展，腾讯AMGR采用多模态编码和Transformer解码，实现15%的点击率提升；快手OneRec通过MoE架构和DPO优化，观看时长提升1.6%；Google TIGER利用语义ID生成式检索，冷启动准确率提升12%；Meta HSTU采用特征序列化技术，转化率提升12.4%；字节跳动Infinity实现高分辨率图像生成，点击率提升9.3%。技术趋势呈