INSIGHT传统混排把多个 plan 的 score 全部加权拼接进 listwise loss，导致权重之间相互掩盖、调一个动全身。Uniboost 的关键不是新模型，而是工程范式转变：把 score 校准成可比的 anchor metric（货币化/时长化），再用线性独立 boosting 让每个 plan 都能像电商促销活动一样'打开/关闭'并精确计量收益。对社区搜索的启示：如果同时承接广告、生态扶持、首页推荐多个目标，应优先把所有 score 标定到同一业务指标空间，再做线性可加权组合，避免黑盒精排被业务方质疑。

INSIGHTTIGER 之后的生成式推荐路线一直在 token 化与序列建模两个维度上分别打补丁，Hi-SAM 第一次同时处理'tokenizer 解耦 + 注意力层级化'两个问题，指出二者在系统里是耦合的：粗粒度 token 承载用户级语义，细粒度 token 承载 item 级细节，注意力应当按这个层级分配。对社区搜索/UGC 推荐的启示：当帖子同时有标题、正文、封面图、视频帧时，不要把所有模态量化到同一个 codebook 里，而应共享码本 + 模态私有码本组合，并在排序模型里显式表达层级，避免长 token 序列的注意力被局部细节淹没。

INSIGHTDPMoE 的设计本质上是'每个用户/每个 view 学习一组私有的 LoRA delta'，这与 PEFT 路线的个性化结合是当前 LLM4Rec 的活跃方向。把参数级融合作为第三种范式（区别于 input-level 和 output-level），避免了 token space 失配和后期对齐的额外训练损失。对工业落地的启示：直接 fine-tune 全量 LLM 服务每个用户不现实，但 LoRA-based per-view perturbation 是个介于 prompt-tuning 与 full FT 之间的可行折中，适合中等流量场景；社区搜索可以参考'兴趣 view + 内容 view'的双 LoRA 设计做个性化排序。

INSIGHTAgent + personalization 是 2025-2026 的下一个评测重心：用户不再每次重新交代偏好，agent 应像老朋友一样记住并主动询问。VitaBench 把'长期记忆 + 主动澄清'纳入评测，对推荐和搜索都是重要信号——下一代搜索框不只是召回排序，而是会主动澄清意图。对工业落地的启示：在做对话搜索/对话推荐时，建议同时引入'偏好抽取召回率'和'澄清问题相关性'两个评测维度，VitaBench 提供了直接可借鉴的指标设计。

INSIGHT目前搜索增强 LLM 的'个性化'大多停留在简单注入用户档案，BESPOKE 的关键贡献是把评测拆成 retrieval-level 偏好 + generation-level 偏好两个维度。这种解构对工业产品很有价值——可以分别诊断召回侧偏好建模不够还是生成侧风格控制不够。对社区搜索的启示：在用 LLM 做搜索结果摘要时，应同时记录用户对'返回了哪些帖子'与'摘要怎么写'的反馈，而不是单一相关性反馈，否则无法定位 personalization 的瓶颈。

INSIGHT把'多样性 vs 相关性'决策权交给用户，是与平台单方面调控相反的设计思路。虽然实验只在 MovieLens 这种学术数据上，但思路对社区搜索的'兴趣探索'入口有借鉴价值：与其平台暗自插入多样化结果引起负反馈，不如显式提供'看看其他方向'按钮让用户主导跳出茧房。簇级别的 less-engaged 采样比单 item 级别更可控，工程上也好实现。

INSIGHT学术推荐看似垂直，方法论可推广到任何'item 有内部结构 + 强业务规则'的推荐场景：把 RAG 检索的细粒度命中通过图聚合到业务实体（课程、商品、服务），并允许符号约束硬过滤。对社区搜索的启示：当帖子是'回答+评论'的层级结构时，应在 chunk 检索后用聚合函数滚动到帖子级排序，而不是直接以 chunk 作为返回单位；硬业务规则（不可推未审核帖、强制城市过滤）应在 KG/符号层处理，避免污染向量空间。