INSIGHT把数据集蒸馏从图像迁移到“离散物品池 + LM 编码”的文本序列推荐，核心难点是双层优化成本，FOSTER 用一阶优化 + 子集采样将其压下来。对需要在 LM-based 推荐上反复迭代调参的团队，20 条合成序列逼近全量的结论意味着可大幅降低离线实验成本；“语义相似物品共现”正则是让合成数据保留协同信号的关键设计，值得在自建蒸馏数据时借鉴。

INSIGHT对要用 LLM 做搜索相关性/答案质量自动评估的团队，这套方法去掉了“人工写细则”的瓶颈：训练-free 变体可即取即用，样本级 rubric 能针对单条 query 动态生成评判维度。meta-judge 奖励微调让一个 14B 小模型在细则生成上胜过大闭源模型，提示评估器可以“自产细则、自我提升”，对构建 nDCG 标注与离线相关性评测流水线有直接参考价值。

INSIGHTGEM 把“生成式搜索/问答如何商业化”的问题显式化：互动（CTR）与满意度之间存在权衡，纯 prompt 注入广告会牺牲满意度。对探索生成式搜索答案 + 广告的团队，“先生成无广告回复再插广告”是兼顾满意度的可行折中（代价是额外推理开销）；其满意度 + 互动的多维指标本体提示评估生成式答案不能只看点击。可扩展的多智能体基线框架可作为搭建自有 GEM 评测的起点。