深度解读

深度解读 · 第 3 页

共 769 篇 · 按日期新到旧 · 每页 30 篇 · 第 3 / 26 页

查找解读请用站内搜索。

2026-11-10 2

生成式推荐

CascadeRec: Deployed Adaptive LLM Compute Allocation for Multi-Tenant Content Recommendation

用大模型做推荐重排很诱人,但每个请求都跑昂贵模型既贵,对历史很短的用户还常常降低质量。这篇部署在大型财务规划软件里的工作先用轻量模型处理全部请求,再由路由器按用户历史长短等分段特征,只把更可能受益的请求升级到更贵的第二层,比如更大的模型或多路推理。

具身智能

On Agentic Manipulation Policies

机器人操作不一定非要靠大量演示数据训练专用策略。这篇论文让一个通用大模型当 agent,直接给机械臂下指令,边做边看情况调整,不用任何演示,也不做针对任务的训练,成功率反而远高于专门训练的 VLA 策略。

2026-11-09 4

2026-11-06 3

个性化推荐

From Waste to Discovery: Recycling High-Scored Unexposed Candidates in Taobao Feed Recommendation

推荐排序每天都算了大量最终没有展示的候选。这篇工作把其中的高分候选重新用于发现新类目:把这些候选按用户累计一个月,筛出近期没有展示过的类目,再接回召回。在淘宝信息流的在线实验里,按实际展示计数的发现类目数相对增加 3.47%,完整观看次数增加 2.62%;两项都达到统计显著。

2026-11-05 20

AI 搜索

From Logs to Faults: Reference-Free Fault Localization for Retrieval-Augmented Generation Pipelines

RAGLog 只读 RAG 流水线每次运行留下的调用日志,不需要标准答案,也不用改代码,就能指出这次运行是哪个环节出了错。这件事有用,是因为中间出了错,最终答案却可能是对的。在五条开源流水线的自然运行里,37% 至少有一个环节出错,其中超过三分之一照样答对了,只看答案发现不了。

AI 搜索

Factorized MLLM Embeddings for Composed Image Retrieval

做组合图像检索时,让多模态大模型先把改完后的图分成几块表示出来,再汇总成检索向量,效果会更好。这个任务是给一张参考图加一句修改要求,比如把衬衫换成红色长袖,找出改完后的那张图。常见做法只靠对比学习把参考图和修改要求压成一个 embedding。

生成式推荐

ZeroGR: Filtering-First Constrained Decoding for Generative Recommendation

做生成式推荐服务的工程团队值得读:它指出约束解码的大部分计算花在注定被丢弃的候选上,并给出先过滤的系统实现。生成式推荐逐个 token 生成物品编码,每步都要保证编码对应目录里真有的物品。常见做法是先给所有可能的下一个 token 打分,再把无效的过滤掉,这些分数大多白算。

2026-11-04 1