INSIGHT给出'生成式推荐的茧房不只由推荐行为决定，还由 item tokenization 与模型容量塑造'这一可操作结论：用语义 tokenization、放大模型规模有利于长尾曝光。对正把推荐迁到 SID/生成式范式的团队，提示要新增 SID 空间集中度（Code-Space Structural Cocoon）这类模型层多样性指标，不能只看曝光层指标。LLM 用户智能体闭环仿真也提供了上线前评估反馈循环长期效应的低成本手段。

INSIGHT戳破'LLM 生成式推荐增益来自预训练知识泛化'的乐观叙事：增益主要源自一跳记忆，泛化被记忆倾向限制。实践启示是评估生成式推荐别只看整体指标，要切分'可被一跳记忆命中/未命中'的用户群单独看泛化。IIRG 把多跳协同关系与主题语义关系显式注入训练，是给 LLM 推荐补充协同信号的可借鉴做法——纯语义或纯 next-item 训练会丢失跨 item 协同结构。

INSIGHT对做 CTR 去偏与无偏 LTR 的团队提醒：feed/carousel 这类复杂界面的 examination（曝光/浏览）假设与单列表不同，沿用单列表位置偏置模型会失真。OEPBM 用眼动观测信号替代隐变量，指向'用真实行为信号标定 examination'，但眼动数据成本高、难规模化。更可落地的结论是：点击似然拟合好 ≠ 浏览建模准，评估点击模型时要单独验证 examination 是否贴合真实行为，必要时引入额外行为信号。

INSIGHT把用户专业度作为显式的用户建模维度，对社区问答/导购类场景有启发：同一 query 下新手与专家想要的解释粒度和候选不同，识别专业度可驱动差异化排序与话术。RecQuest 的 game-with-a-purpose 采集协议解决了新手探索行为难采集的数据稀缺问题，是构造细分用户画像训练数据的可借鉴方法。目前仍是任务+数据集奠基工作，缺线上效果，落地需自建估计模型并与策略联动。