INSIGHT对于复杂 query 传统检索难以召回的场景，LLM 生成式检索可作为补充召回源，通过将 item 信息编码进模型参数实现端到端检索，显著提升长尾 query 覆盖率。

业务关联社区搜索中常见复杂 query 无法匹配到相关内容的情况，LLMGR 的思路——用 LLM 作为补充召回源——可直接应用于 UGC 短文本搜索，尤其改善长尾 query 的搜索体验和 CTR。

证据在支付宝搜索在线 A/B 测试中，LLMGR 作为补充召回源相比传统方法在 CTR 上取得了统计显著的提升。

INSIGHTLLM 生成式检索的关键瓶颈在于 query 和 item 的词分布差异——直接生成 item 标识符容易遗漏相关结果。GRAM 通过对齐机制弥合这一差距，同时保留 LLM 的世界知识。

业务关联在社区搜索中，用户 query（口语化短文本）与帖子内容（UGC 长文本）的分布差异是核心挑战。GRAM 的 query-item 对齐思路可帮助解决 UGC 搜索中短 query 与长文本的语义鸿沟。

证据论文对比了 static/Semantic ID 方式和 product term set 方式的生成式检索，提出对齐机制在电商检索场景中提升了召回质量。

INSIGHT用 RQ-VAE 学习语义化 item ID 编码，将推荐检索转化为序列生成任务，是生成式推荐范式的开创性工作。这一范式已被 Meta、快手、美团等大厂广泛采纳。

业务关联TIGER 的 Semantic ID 框架可为社区搜索的候选召回提供全新思路——将帖子编码为 Semantic ID 后通过生成模型直接检索，替代传统的双塔 + ANN 管线。

证据在 Amazon Product Search、Google Local Reviews 等多个数据集上显著超越 SOTA，在 Recall@K 和 NDCG@K 上均取得最优结果。

INSIGHT传统自回归生成式检索在单次请求中生成多个 item 时存在位置依赖问题。TBGRecall 通过 session 分割和 NSP 机制解除这一约束，使生成式检索更适合实际推荐场景。

业务关联在社区搜索中，一次 query 需召回多篇相关帖子。TBGRecall 的多 item 无序生成思路可改善生成式召回在多结果场景下的性能和公平性。

证据框架将样本划分为多 session 序列，每个 session 包含 session token 和 item token 集合，在电商推荐数据集上验证了召回效果的提升。