INSIGHT相比把所有行为塞进单一大模型，按信号形态选择归纳偏置更容易独立迭代、隔离故障并匹配不同新鲜度/延迟要求。落地时应以新增向量的边际 NE 收益而非单模型离线分数做准入；2048 长序列虽使 NE 下降 0.45%，却牺牲 33% QPS，需按场景分层部署。

INSIGHT推荐模型扩层前应先监控奇异值分布与注意力有效秩，否则更深网络可能只强化少数主方向。SpecFormer 的价值在于把谱约束嵌入前向交互而非只加正则；对 UGC 排序可先在长尾类别和稀疏交互分桶验证，并把 5ms 增量纳入精排延迟预算。

INSIGHT无偏数据稀缺时，不应对所有样本强制知识迁移；基于逐样本损失的选择性对齐可保住事实点击精度，同时修复曝光偏差。社区推荐可保留小比例随机流量作为校准集，以留存、兴趣多样性和播放完成度联合验收，而非只看短期点击。

INSIGHT生成轨迹可以作为召回与排序之间的信息桥，减少候选交接损失和重复计算；关键不是完全共享，而是共享注意力权重、隔离优化边界。对多目标精排可先复用用户侧 KV 缓存，再用 LoRA 承载 CTR/观看/互动任务，避免排序梯度破坏召回语义空间。

INSIGHT连续生成推荐的瓶颈不只在采样步数，还在训练路径是否落在真实物品支持集附近。共现图只在训练期参与几何校正，避免线上图检索开销；对 UGC 场景可用帖子共现/同会话图约束表示，但应先检验长尾物品的图邻域质量，防止热门共现放大偏差。

INSIGHT统一平均指标会掩盖模型只对特定漂移人群有效的事实，用户建模应按偏好变化速度分层验收。论文消融中任一组件移除后 NDCG@10 均距完整模型不足 2%，说明收益来自组合效应；落地前需评估 LLM 离线记忆生成成本和时间窗更新频率。

INSIGHT全局跨用户转移与局部会话模式承担不同角色：前者补足协同与长期偏好，后者保留当前意图；两者解耦可避免 Transformer 对长序列的二次复杂度。工程上最值得先复用的是困难负样本生成器，但需控制热门物品在全局图中的过度支配。

INSIGHT双曲空间适合压缩层级物品关系，频域滤波则负责抑制长序列噪声，两者比简单拼接知识向量更互补。消融中移除知识图谱使 Amazon-Books HR@10 从 73.5 降至 69.1，说明冷启动场景首先要保证知识图谱覆盖和关系质量。

INSIGHT跨域迁移的重点不是把所有模态直接合并，而是分别保留单域兴趣和跨域共享兴趣，再动态融合。冻结视觉编码器、离线生成 LLM 文本增强能把在线成本压到向量查表与注意力计算；但收益绝对值较小，需验证 UGC 图文质量和域间负迁移。