这篇技术报告研究的是工业用户表示学习在“越多数据、越大模型、越长历史”路线上的扩展墙。用户 embedding 已经同时服务于推荐、CTR/CVR 预估、用户召回、广告定向和风控，但行为日志具有强烈的重复性：日常习惯不断重复，新增的原始事件数量增长很快，真正新增的任务相关信息增长却很慢。论文在支付宝 PayBill 生产数据上把问题明确化为 raw behavioral scaling wall：继续扩大用户数、观察窗口或 encoder 参数，训练损失还会下降，下游表示质量却趋于平台。

正文给出几个关键量化观察。用户规模超过约 0.03B、历史窗口超过 60 天后，分类 probing 的 AUC、KS 和 Accuracy 都出现明显变平；在固定数据量下，encoder 从 0.2B 增加到 0.4B 参数，主要是在拟合冗余行为细节，下游准确率几乎不变。沿时间维度，约 64 天后 tokenized 表示开始超过 raw baseline；沿用户规模维度，约 1.2×10^7 用户之后 tokenized 表示持续领先。作者据此把瓶颈从“模型还不够大”改写为“每个输入 token 携带的有效信息密度不够高”。

传统做法通常把更长的原始序列直接送入更大的 Transformer，忽略了两类成本：序列长度让训练和 serving 线性变贵，重复行为占据 context 又会挤掉真正有区分度的事件。已有 tokenization 工作往往只回答“如何压缩”，没有回答“当用户规模、窗口和来源变化时，应该配置多大的码本和多少个 residual stage”。论文因此提出 Behavioral Densing Law，用性能—成本 Pareto 轨迹估计 minimal sufficient tokenization capacity，再提出 ALGN 将全局容量选择落到样本级的变长分配。

2. 方法详解

论文先定义三个可扩展维度：用户规模 N、行为时间窗口 D 和模型容量 M。下游任务不是直接看语言生成，而是用冻结的用户 encoder 做三种实用评估。第一是 classification：冻结用户向量后只训练线性分类器，报告 AUC、KS 和 Accuracy。第二是 text-based retrieval：用自然语言 query 的 embedding 与用户 embedding 做 cosine 相似度，判断用户是否属于目标人群，报告 AUC、Precision、Recall。第三是 U2U retrieval：给少量 seed users，通过 prompt-tuning 学习上下文，再检索兴趣相近的用户，同样报告排序与覆盖指标。这让 tokenization 的价值直接对应到推荐、广告和用户定向的下游工作流。

在表示侧，作者使用 RQ-VAE、VQ-VAE 和 SARQ 把行为表示压成离散 semantic IDs。RQ-VAE 通过多个 residual quantization stage 复用 codebook 组合，理论表示空间为 K^M；VQ-VAE 容易为相似表示保存重复的完整 SID，SARQ 则试图减少激活空间中的冗余。论文不把“容量”简单等同于 token 个数，而是把 codebook size K、residual stage 数 M、embedding 维度 d 和输出长度 H 组合成配置 κ，再测量在给定数据规模下获得目标下游效用所需的最小容量。

Behavioral Densing Law 被写成一个带成本权重的 Pareto 问题。令 φ 是表示变换，U(φ,s) 是数据规模状态 s 下的下游效用，C(φ) 是表示成本，lambda 控制对成本的敏感度，则最优表示为 φ(lambda,s)=argmax[U(φ,s)-lambda C(φ)]。作者还定义行为密度 rho(s)=C_raw_hat(s)/C*(s)，其中 C_raw_hat 是 raw sequence 达到同等效用的有效成本。这个定义强调 densing 不是追求最大压缩率，也不是盲目增大码本，而是在当前用户量、窗口和应用目标下找到最小充分容量。

在不同来源、不同任务和不同 tokenizer 的 Pareto 前沿上，作者观察到 ln(C*) 与 ln(s) 近似线性，因此可以在 tokenizer 方法校准后，用轻量统计估计新数据规模所需容量。斜率受 tokenizer 的表示空间冗余影响：VQ-VAE 的斜率较高，RQ-VAE 利用 compositional reuse 降低冗余，SARQ 的斜率最低；同一 tokenizer 下，不同数据源的斜率与 intra-source uniqueness 的平方近似相关，三个来源的斜率比约为 1:1.15:0.92，而唯一性比约为 1:1.07:0.96，误差在 10^-2 数量级。

ALGN 是第二层贡献，把“数据规模级别的容量曲线”转成“单个行为片段的变长容量”。固定长度 RQ-VAE 给每个片段相同的 residual 深度，但用户历史中高熵、含歧义的行为需要更多 code，规律性强的重复行为不应继续编码。ALGN 在每个 quantization level l 计算残差范数 R_l=||r_(l-1)-e_(l,m)||_2，反映当前 code 仍未解释的内容；再计算累计 code uncertainty E_l=-sum_k log p(m_k|m_<k)，反映当前路径的歧义程度。续接概率为 g_l=sigmoid(sp(w_R)R_l+sp(w_E)E_l-sp(w_C)c_l+b)，其中 Softplus 保证权重为正，c_l 是新增 code 的边际成本。第一次 g_l 小于阈值 theta 时停止，得到 L_act；如果一直不低于阈值，则使用最大长度 L_max。

ALGN 的 tokenizer 训练损失是激活层上的重构损失加长度分布正则：L=L_rec^act+lambda KL(P_len||Q)。作者使用几何先验 Q(l)=(1-gamma)^(l-1)gamma，并在对比实验中取 gamma=0.3。分布级先验比逐样本硬惩罚长度更灵活，既避免所有样本都激活全部 residual level，也允许真实用户行为呈现长尾长度分布。

3. 核心技术贡献

第一，论文把“扩展不再有效”从经验现象变成可测量的 raw scaling wall。它用 matched token/compute budget 对照 raw 与 tokenized 输入，证明 tokenization 在 raw 数据进入饱和区后才会产生越来越大的正收益，而不是把短输入天然当成优势。

第二，Densing Law 给出了容量配置轨迹。既有工作通常固定 codebook 或凭经验选 token 长度，本报告用 Pareto 前沿和 log-scale 近似关系把用户规模、窗口、来源唯一性与最小充分容量关联起来，允许工程团队先校准 tokenizer，再为增长后的用户池估算配置，而非等到线上内存或训练成本爆炸后被动截断。

第三，ALGN 同时看 residual 信息、semantic uncertainty 和新增 code 成本。只看剩余范数会遗漏“重构误差小但语义不确定”的行为，只看熵又会把重复但高频的路径误判为重要；三个信号通过带正约束的 sigmoid gate 组合，形成一个近似边际效用大于边际成本才继续编码的规则。

第四，方法不局限于单个 CTR 任务。作者在 classification、文本用户召回和 U2U retrieval 上观察到相同的容量趋势，并让离散 token 可以复用于用户定向、CTR 估计和推荐召回，强调 tokenizer 的一次训练成本可以在多个应用之间摊销。

4. 实验结果分析

规模分析首先显示，扩大 raw 行为只在数据尚未饱和时有价值。0.03B 用户和 60 天附近出现明显平台；参数从 0.2B 继续增大也不能补救重复行为造成的信息瓶颈。时间窗口约 64 天以后 tokenized 曲线开始领先，用户数约 1.2×10^7 以后 tokenized 曲线持续领先，这给“何时值得做行为压缩”提供了具体触发点。

容量规律在 Paybill、SPM 和 Miniprogram 三种行为来源上验证，同时比较 RQ-VAE、VQ-VAE 和 SARQ，并覆盖三类下游任务。对相同 180 天窗口、0.1B 用户设置，作者报告分类 probing 的比较如下：

ALGN 相对最强固定/自适应基线 SARQ，AUC、KS、Accuracy 分别提升 1.07、2.03、0.36 个百分点，同时容量再节省 13.23%。相对 RQ-VAE，ALGN 在容量使用从 100.00% 降到 63.47% 的情况下，AUC 从 74.56 提升到 76.43，KS 从 39.02 提升到 43.31，Accuracy 从 82.44 提升到 83.52。VQ-VAE 的容量为 316.23%，但 AUC 只有 73.45，说明“占更多 code 空间”不是有效信息密度的替代物。

消融实验说明 ALGN 的两个信息信号和长度先验各自有贡献。启发式变长 baseline 容量 86.91%、AUC 74.43、KS 38.10、Accuracy 82.39；去掉 uncertainty signal 后容量 77.83%、AUC 75.11、KS 40.21、Accuracy 82.77；去掉 residual signal 后容量 76.24%、AUC 75.36、KS 41.28、Accuracy 83.16；完全去掉正则时容量 73.42%、AUC 76.01、KS 42.21、Accuracy 83.35。加入逐样本 SID length regularization 虽把容量降至 63.16%，但低于 ALGN 的 AUC 76.43；随机分布正则也略逊于几何先验。作者因此认为要同时保留“剩余信息量、路径不确定性、边际成本”三个维度。

值得注意的是，Densing Law 的主要结果是趋势规律而非单一 SOTA 数字。不同 tokenizer 的斜率不同，来源内唯一性也会改变斜率；这意味着不能把一个业务的容量公式直接复制到另一个业务。论文还承认目前公共 benchmark 的覆盖仍在补充，已有验证以单平台 PayBill 系列数据为主。

5. 局限与未来方向

作者明确写出当前研究聚焦单一数据模态，Densing Law 是否能泛化到视频消费等其它行为模态仍待验证；他们也在继续用公共 benchmark 检查单平台结论的稳健性。单平台数据带来的用户分布、事件语义和日志质量偏差可能影响 log-scale 斜率。固定 tokenizer 的 codebook 冗余和 ALGN 的停止阈值仍需要新来源重新校准，论文没有给出跨平台无需调参的通用公式。未来方向包括多模态 density estimation、自适应 tokenization 的理论基础，以及把信息密度作为模型容量和数据量之外的一等设计目标。

6. 工业实践意义

对社区 UGC 搜索与推荐，这篇报告最具体的动作不是立刻训练一个更大的 user encoder，而是先画出自己的 scaling surface。可以按用户规模 N、历史窗口 D、行为来源和 encoder M 做小规模网格实验，观察 nDCG/CTR、用户召回 AUC/Recall 和训练/serving 成本何时进入平台；如果出现“0.2B 到 0.4B 只降 loss、不升下游”的现象，就应转向信息密度，而不是继续加参数。

落地路径可以分三步。第一，用社区帖子点击、停留、收藏、关注、搜索 query 等事件训练 RQ-VAE，并按时间和用户活跃度切分，防止把高频重复曝光当成新信息。第二，用 fixed-length RQ-VAE 与 ALGN 做 matched-token、matched-compute 对比，至少报告 CTR/GAUC、短文本召回 Recall、用户定向 Precision/Recall、平均 token 数和 P99 user-vector 读取成本。第三，按来源唯一性和行为熵重新拟合容量曲线，让冷启动用户、重度用户和兴趣快速变化用户使用不同的最大长度。

ALGN 的 residual norm、uncertainty 和 code cost 很适合映射到 UGC 场景：高熵的新话题、跨圈层行为和短期兴趣得到更多 token，重复浏览同一主题只保留较短 code。这样可以把长期稳定画像和短期动态画像放在同一用户表示接口里。由于论文显示 tokenized 表示可服务 text-based retrieval、U2U retrieval、CTR 与风险分类，工程上可以共享一套用户 tokenizer，摊薄离线训练与索引成本。

需要避免两种误用。第一，不能把 Densing Law 当作“所有用户都压成固定长度”的理由；论文的核心恰恰是 minimal sufficient capacity 和实例级变长分配。第二，不能把容量节省当唯一目标，必须在相同 token/compute 预算下验证相关性、覆盖和长期指标。对社区平台还应保留内容时效、作者多样性和安全事件等 guardrail，因为一个看似信息密度高的历史表示可能放大兴趣茧房。最终上线前要做跨天、跨用户活跃度和新内容分层 A/B，检查 token 压缩是否牺牲探索和长尾内容发现。