INSIGHT联合优化多模态检索时，某些模态会主导训练；分阶段预训练让模型在每个阶段专注特定任务，配合 Semantic ID 实现多模态特征的高效压缩和利用。

业务关联社区搜索中帖子常含图片、文字等多模态信息。该方法的分阶段预训练策略可直接借鉴，解决 UGC 多模态检索中的模态不平衡问题。

证据在美团外卖工业数据集上验证，解决了联合训练的模态主导和 one-epoch 问题，已在美团食品配送核心场景部署。

INSIGHTLLM 语义信号可能与平台业务目标冲突。S-GRec 设计个性化语义裁判（PSJ）提供训练时监督，并通过非对称优势策略优化确保语义奖励不偏离业务指标。

业务关联社区搜索中语义理解和业务指标（CTR/nDCG）常存在 gap。S-GRec 的「语义+业务」双目标优化范式可直接借鉴到搜索排序模型中。

证据v3 版本，经多轮修订；个性化语义裁判产生可解释的 aspect 证据，通过 pairwise feedback 学习用户条件聚合。

INSIGHT现有生成式推荐的偏好优化忽略了模型置信度、样本难度差异和显式置信度表达。UGR 通过三重机制——不确定性加权奖励、难度感知优化、置信度对齐——从根本上稳定训练。

业务关联搜索推荐系统中，模型对不同 query-doc 对的置信度差异很大。UGR 的不确定性感知方法可用于搜索排序中的风险管控和低置信结果过滤。

证据广泛实验表明 UGR 在推荐性能上优于标准方法，且从根本上稳定训练过程，防止标准偏好优化方法中常见的性能退化。

INSIGHT传统生成式推荐受限于二次方计算复杂度，难以处理长序列。GLASS 用 SID-Tier 将长期交互映射为统一兴趣向量，利用语义 codebook 的紧凑性实现长历史的高效利用。

业务关联社区用户的长期浏览历史蕴含丰富的兴趣信号。GLASS 的 SID-Tier 方法可直接用于社区搜索中长期用户画像的高效建模。

证据SID-Tier 模块利用语义 codebook 的紧凑性融合长期历史与候选语义码的交叉特征；语义硬搜索利用生成的粗粒度 Semantic ID 提取相关历史行为。

INSIGHT将协同过滤信号视为独立模态与语义模态并行融合，并通过约束序列学习限制输出空间，首次在大规模数据集上让生成式推荐超越传统序列推荐方法。

业务关联社区帖子包含文字和图片等多模态信息，同时用户协同行为提供互补信号。MSCGRec 的多模态融合+协同信号方案可指导 UGC 搜索的召回模型设计。

证据在三个大规模真实数据集上超越序列推荐和生成式推荐基线；广泛消融实验验证每个组件的贡献。

INSIGHTSemantic ID 的量化过程中存在信息损失和噪声。PRISM 设计净化语义量化器去除冗余信息，并通过动态集成机制自适应融合不同粒度的语义表示。

业务关联搜索系统中 item 的语义表示质量直接影响召回效果。PRISM 的净化量化方法可用于提升社区帖子 embedding 的质量。

证据PRISM 通过 Purified Semantic Quantizer 和 Integrated Semantic Recommender 在生成式序列推荐任务上取得改进。