1. 问题与动机
短视频推荐擅长从共看、点击和语义相似中拟合“用户可能还会看什么”，却不一定理解“看完这个以后逻辑上应该看什么”。论文列出三种直接影响体验的失败：流行度偏置使热门相似视频压过真正续集，推荐多样性下降，以及叙事连续性断裂，例如用户看完 Part 1 却收不到 Part 2，或看完谜题、实验、教程后得不到答案与后续步骤。传统 Item-to-Item 图通常近似对称，无法表达 A→B 的方向和因果式后续需求；纯生成推荐又难以承担全库检索和在线延迟。
NEXT 的动机是把推荐问题拆为“理解下一意图”和“在现有搜索栈中找到满足意图的内容”。模型不直接对全库逐项打分，而是将已观看视频转换成一个可检索的下一意图，再对搜索结果做逻辑验证，形成有方向的 NEXT Knowledge Graph（NKG）边。这样既利用视觉语言模型对 OCR、ASR、画面与事件关系的推理能力，又保留成熟搜索系统的规模化召回。论文进一步指出，离线 Precision/Recall/NDCG 会惩罚历史日志中没有出现但逻辑合理的新探索，因此最终必须依赖线上 A/B 验证。
2. 方法详解
NKG 中每条边是 \(\langle v_{\text{trigger}},v_{\text{next}}\rangle\)，只有多模态证据、用户行为信号和 NEXT-8B 验证共同支持“B 是 A 的合理后续”时才写入。候选来源有四类：显式续集、VLM 意图搜索、行为信号和方向性 Swing；这些来源只提出边，不直接决定最终排序。显式路径从 OCR、ASR、创作者元数据和 “part two”“to be continued” 等线索提取置信度，按 \(S_{\text{series}}=w_{\text{ocr}}C_{\text{ocr}}+w_{\text{asr}}C_{\text{asr}}\) 融合，超过阈值便优先写入 \(V_{\text{part}n}\rightarrow V_{\text{part}n+1}\)。
隐式路径让 NEXT-8B 根据采样帧、OCR、ASR、实体、布局和场景证据生成紧凑查询，例如谜题答案、挑战结果、被提及实体的详情或未完故事的后续；查询进入既有视频搜索栈，模型随后比较触发证据、意图与候选，只保留能“回答、延续或解决”需求的候选，拒绝仅主题相似或视觉接近的内容。行为路径使用 Watch→Search、Watch→Creator Profile→Watch、Watch→Comment 等短时间窗高置信模式，把搜索词或“part 2?”评论变成检索支点。
协同路径使用 Scene-Aware Reasoning Swing。它要求用户在会话窗口内先看 \(i\) 再看 \(j\)，候选共享 Semantic ID 前缀，并过滤低支持对；最终分数对有序共现用户对求和，以用户活跃度权重抑制重度用户，以时间衰减 \(\gamma^{|\Delta t|}\) 惩罚不一致转移，再由 NEXT-8B 验证。因此协同信号提供覆盖，VLM 保证方向和逻辑精度。
NEXT-8B 是标准 8B 视觉语言架构，创新集中在三阶段后训练。第一阶段 Perception-Enhanced RL 让多模态策略 \(\pi_\theta\) 生成与问题无关的视觉证据 \(e\)，冻结的纯文本验证器 \(\phi\) 看不到原图，只依据 \(e\) 回答多个问题，平均正确率成为奖励；每个样本采样 \(K\) 个证据，使用组内相对优势的 GRPO，并加裁剪与相对参考策略的 KL 正则。这样奖励改善只能来自更准确的 OCR、实体、空间关系与场景证据，而不是验证器偷看图片。
第二阶段 Distribution-Aligned SFT 混合 ChartQA、TableVQA、InfoVQA 等真实 DocVQA 数据与大 VLM 教师、多专家一致标注生成的稀有布局合成数据。自由问答有多个合法字符串时，从标签集合中选择与当前预测 Levenshtein 相似度最高的目标，降低格式差异对 ANLS 的干扰。第三阶段再次用 GRPO 做末端偏好对齐，奖励简洁格式、证据忠实性和“观察事实/推断意图”边界。
论文披露 DocVQA 含 12,767 张图像、超过 50,000 个问题，任务评测用 ANLS；推荐迁移评测采样 1,000 个视频。生产 A/B 运行数周、规模约 1 亿用户。论文未报告训练 batch size、优化器超参数、学习率、GPU 数量、训练步数、帧采样率或合成数据规模，因此读者能重建算法流程，却不能严格复现训练预算与数据配方。
3. 核心技术贡献
第一，NEXT 用 Item-to-Intent-to-Item 代替直接 Item-to-Item 相似匹配。显式下一意图把搜索作为生成模型与推荐系统之间的接口，使 VLM 负责“小而难”的推理与验证，搜索负责“大而快”的全库召回，避免让 8B 模型在线扫描候选库。
第二，NKG 是精度优先的有向知识图，而不是无约束共现图。显式续集、行为支点、方向 Swing 和多模态意图统一进入验证阶段，写入时保留来源、逻辑分与新鲜度；线上只需查图并插入，使昂贵推理移出请求关键路径。
第三，Perception-Enhanced RL 用冻结文本模型隔离视觉证据质量。验证器只能看到模型生成的证据，因此 8B VLM 必须学会保留小字、表格、人物和事件线索。完整训练把 DocVQA ANLS 从基座 96.10 提到 97.28，超过 235B MoE 的 Qwen3-VL 97.25，模型规模接近小 30 倍。
第四，论文给出从静态视觉基准、推荐边逻辑评测到线上指标的三级证据链。模型在 1,000 视频盲评中，高质量逻辑输出相对提升 3.3%，证据落地提升 4.0%，A→B 匹配提升 3.5%；真实系统最终取得观看时长 +0.53% 和不同视频曝光 +0.51%。
4. 实验结果分析
DocVQA 的主要对比如下，指标为测试集 ANLS：
| 模型 | 参数规模 | ANLS | Figure/Diagram | Free-text | Image |
|---|---|---|---|---|---|
| Human | — | 98.11 | 97.56 | 98.39 | 97.40 |
| NEXT-8B | 8B | 97.28 | 95.03 | 96.63 | 96.73 |
| Qwen3-VL | 235B MoE | 97.25 | 93.37 | 95.50 | 92.58 |
| Seed-VL-1.5 | 20B 激活 | 96.91 | 94.47 | 95.82 | 91.62 |
| Qwen2-VL | 72B | 96.70 | 92.06 | 96.19 | 91.35 |
| MiMo-VL-7B-RL | 7B | 95.01 | 91.59 | 93.44 | 86.01 |
NEXT-8B 与人类仍差 0.83 ANLS，但相对 Qwen3-VL 在 Figure/Diagram、Free-text 和 Image 分别高 1.66、1.13、4.15，说明优势集中在感知密集类别，与训练目标一致。训练消融显示：Qwen3-VL-8B 基座 96.10，混合域增强后 96.58（+0.48），分布对齐 SFT 到 96.81（+0.23），Perception-Enhanced RL 到 96.96（+0.15），末端 GRPO 到 97.28（+0.32）。最大单项收益来自数据增强，而不是 RL；RL 的价值更多体现在证据质量和后续阶段可用性，不能简单解释为单独带来全部线上增益。
任务迁移评测把基座与 NEXT-8B 运行在相同的 1,000 个视频输入上，候选由各自生成的意图查询召回，强 LLM 在隐藏模型身份、随机输出顺序条件下按 1–5 分评审。高质量定义为至少 4 分：整体逻辑高质量率相对 +3.3%，证据落地 +4.0%，意图具体性只有 +0.2%，A→B 候选适配 +3.5%。这说明改进并非把查询写得更长，而是更准确地保留触发视频证据并拒绝表面相似候选。
线上实验持续数周、覆盖约 1 亿用户；对照是包含 HSTU 序列模型等多路召回的优化生产系统，实验组只新增 NEXT 通路：
| 线上指标 | 相对提升 | 统计结果 |
|---|---|---|
| Watch Time | +0.53% | 95% CI 不含 0，p<0.05 |
| Distinct Video Exposure | +0.51% | 95% CI 不含 0，p<0.05 |
| 负反馈、安全、延迟护栏 | 无显著回退 | 通过 |
观看时长与不同视频曝光同步增长，是重要信号：NEXT 没有仅靠续集黏住用户，也扩展了相关内容覆盖。但论文未给出 NKG 边覆盖率、命中后插入比例、不同候选源的线上消融，也没有报告长期留存，因此无法判断收益主要来自显式续集、VLM 搜索、行为信号还是 Swing。
5. 局限与未来方向
作者明确指出，全库视频的 8B VLM 分析仍然昂贵。即使放到离线/近线，内容库快速增长时，转移挖掘吞吐仍是瓶颈；未来计划通过蒸馏、推测解码和更激进批处理提高新内容响应速度。当前只做单跳 \(v_1\rightarrow v_{1.a}\)，作者希望扩展多步转移；边离线生成、线上只在小集合内个性化，未来需把实时行为更紧密地纳入边质量优化。连续沿一条逻辑链推荐还可能收窄曝光，因此需要把 NEXT 与惊喜性候选交错重排。
论文没有把 LLM-as-a-judge 与人工评审相关性作为核心实验，1,000 视频评测也可能受评审模型偏好影响；线上增益虽然显著，却没有公布平台、国家、内容类型和用户分层。另一个未充分讨论的问题是“直接插入”对 feed 排序校准的影响：高精度 NKG 候选绕过完整候选竞争，若正反馈触发阈值或边新鲜度失准，可能造成过强的连播偏置。Semantic ID 前缀约束也可能错过跨主题但逻辑相关的后续内容。
6. 工业实践意义
NEXT 最适合以增量召回通路试点，而不是替换现有推荐系统。社区 UGC 可先挑三类高价值场景：系列帖/教程续篇、问题—答案与事件后续、用户看帖后立即搜索或访问作者主页。离线从标题、正文、图片 OCR、视频 ASR 与评论中提取证据，生成“下一步需求”查询，复用现有搜索召回，再由较小多模态模型验证是否真正回答或延续触发内容；把通过验证的边存入带来源、分数、时间戳和过期策略的有向图。
在线链路应保持极轻：检测完播、收藏、点赞等强正反馈，查询图；只有一条高置信边时插入，多条时复用现有个性化排序器，不新增专用在线 VLM。工程预算主要花在离线吞吐、边更新、证据审计和新鲜度，而不是请求延迟。验收除观看时长、CTR 外，还应看 distinct exposure、续集满足率、搜索后回流、负反馈、安全与延迟；同时做边来源分桶消融，防止无法归因。
对社区搜索业务，最值得借鉴的是“意图生成先于检索”。相比让大模型直接重排数千候选，先把未满足的信息缺口压成短查询，再交给现有索引，成本与可观测性都更好。上线时必须保留多样性配额和传统探索流量，避免有向链把用户困在单一叙事；对于新闻、健康等时效或风险内容，还应在 NKG 写入前增加事实、安全和过期检查。