今日场景社区搜索 (UGC 短文本搜索): 用户在社区平台搜索帖子、问答、评论等 UGC 内容。核心指标是搜索相关性 (nDCG) 和点击率 (CTR)。关注：语义匹配、query 理解、短文本召回、排序模型、LLM 在搜索中的应用。 — 评分 448 篇，入选 10 篇，分数 3.40 – 4.20
利用双重差分法量化 Google AI Overview 对 Wikipedia 流量的因果影响。
在固定文档池中隔离测试 LLM reranker 的排序行为，揭示不同模型的冗余处理差异。
INSIGHT通过控制实验发现，不同 LLM reranker 对文档冗余的处理策略存在显著差异。BM25 和 MMR 可作为可解释基准来诊断 LLM 排序偏差，为选择和调优 reranker 提供实证依据。
业务关联社区搜索中 UGC 内容冗余度高（大量相似帖子/评论），该研究的诊断方法可直接用于评估和选择适合高冗余场景的 LLM reranker。
证据在 345 个 Multi-News 文档簇上进行固定 8 文档池测试，对比 BM25、MMR 和多个 LLM reranker，定量揭示了各模型在词汇匹配与多样性优化间的排序策略差异。
开源实现 HSTU 架构的生成式推荐系统，提供大规模训练与推理的工程最佳实践。
INSIGHTHSTU (Hierarchical Sequential Transduction Units) 用 SiLU 替代 softmax 并引入相对注意力偏置，在保持模型质量的同时大幅提升训练与推理效率。NVIDIA 提供了从分布式训练到动态 Embedding 的完整参考实现。
业务关联该开源方案可直接应用于社区搜索的排序模型升级：用生成式架构建模用户行为序列，提升长序列场景下的 CTR 预测能力。
证据CUTLASS kernel 在 Hopper 架构上比 Triton 提速 3.5 倍以上；端到端训练吞吐量提升 85%；TensorRT fp16 推理延迟降低 50%；美团外卖场景中 CTR 和 CTCVR 指标均有显著提升。
基于 Ann Brown 元认知调控周期，为 LLM 构建规划-监控-评估的结构化推理框架。
INSIGHT将心理学中的元认知理论 (规划、监控、评估) 转化为 LLM 的结构化 prompting 架构，通过轻量级双过程 MetaController 实现自适应推理深度分配，让模型能够自我监控和纠错。
业务关联在社区搜索的 RAG 链路中，可将 Think² 的元认知框架应用于 query 理解和答案生成环节，减少 LLM 生成不相关或错误回答的比例。
证据在 GSM8K、CRUXEval、MBPP、AIME、CorrectBench 等多个推理和诊断基准上验证，元认知框架显著提升了 LLM 的错误检测与自我纠正能力。
提出 Agentic 评估框架，解决深度研究 Agent 中「合成幻象」导致的评估失真问题。
INSIGHT揭示了 Deep Research Agent 存在的「合成幻象」问题：表面流畅的引用和摘要会掩盖底层事实和推理缺陷。静态评估器无法捕捉这种能力错配，需要 Agentic 评估方法。
业务关联社区搜索如果部署 LLM 生成式回答功能，需要类似 DREAM 的多维度评估框架来检测「看起来正确但实际有误」的生成内容，保障搜索结果质量。
证据构建了跨四个垂直领域的评估分类体系，定量对比了静态评估器与 Agentic 评估在事实性、推理完整性维度上的差距，证明 Agentic 评估可捕获传统方法遗漏的缺陷。
196B 参数 MoE 模型，仅 11B 活跃参数即达到前沿 Agent 能力，大幅降低推理成本。
INSIGHT稀疏 MoE 架构 + 3:1 滑动窗口/全注意力交错 + Multi-Token Prediction (MTP-3) 的组合，在保持前沿推理能力的同时将推理成本压缩到全参数模型的一小部分。对需要低延迟多轮交互的搜索 Agent 场景极具参考价值。
业务关联社区搜索中部署 LLM Agent (如 query 改写、RAG、答案生成) 面临推理成本瓶颈。Step 3.5 Flash 的架构方案为在有限算力下构建高质量搜索 Agent 提供了可行路径。
证据196B 总参数中仅激活 11B，采用 MTP-3 (3-token prediction) 降低多轮 Agent 交互的延迟和成本。模型为开源模型，在多个 Agentic 基准上达到前沿水平。
Google 双 Agent 系统自动生成高质量复杂 QA 对，用于训练深度搜索 Agent。
INSIGHTSAGE 发现当前深度搜索 Agent 存在大量「捷径」：35% 的信息共位于同一文档、21% 单次查询就能解决多个子问题。这意味着真正需要多跳推理的搜索场景远比预期少，搜索系统应优先提升文档的信息密度和主题权威性。
业务关联对社区搜索的启示：UGC 内容的信息碎片化程度高，正好是需要多跳检索的场景。可借鉴 SAGE 的方法论来生成社区搜索场景的训练数据，提升 query 理解和多轮检索能力。
证据定量分析搜索 Agent 捷径分布：信息共位 35%、多查询坍缩 21%、表面复杂性 13%、问题过度具体 31%。双 Agent (出题+解题) 的执行反馈循环显著提升了生成训练数据的质量。
提出推理忠实性的形式化框架，通过反事实干预检测 LLM 推理是否真正驱动答案。
INSIGHT定义了推理忠实性的两个可测试条件：立场一致性和因果影响。通过反事实干预揭示，许多 LLM 的推理过程看似合理但并未真正影响最终答案——这对 RAG 系统中「推理过程可信度」的评估提供了新视角。
业务关联社区搜索的 LLM RAG 链路中，推理忠实性直接影响搜索结果的可解释性和可信度。该框架可用于评估搜索 Agent 的推理链是否真实反映了其决策逻辑。
证据在多个大推理模型上实施反事实干预实验，定量度量立场一致性 (stance consistency) 和因果影响 (causal influence)，揭示推理忠实性与准确性之间的解耦现象。
系统梳理 Agentic Memory 的分类体系，实证分析现有评估和系统的局限性。
INSIGHT现有 Agentic Memory 系统的评估基准严重不足：规模偏小、指标与语义效用错配、性能因底座模型差异大幅波动。在选择记忆方案时，系统级成本（存储、延迟、维护）往往被忽视但至关重要。
业务关联社区搜索 Agent 需要记忆机制来维护用户会话状态和搜索历史。该研究的分类体系和评估框架可指导选择合适的 Agentic Memory 方案，避免踩入评估失真的陷阱。
证据跨多个骨干模型进行实证分析，发现性能方差极大；定量评估了现有基准的规模不足和指标错配问题；系统梳理了存储、延迟等系统成本的影响。
系统总结 Agentic RAG 从传统被动检索到主动多跳推理的技术升级路径与工业落地经验。
INSIGHTAgentic RAG 的核心升级是将「被动召回+生成」转变为「意图理解→决定是否/多次检索→多轮检索与反思→多源整合→结构化输出」的主动闭环。2026 年多 Agent 协同将成为主流，低代码开发使中小企业部署成本降低 60% 以上。
业务关联社区搜索可借鉴 Agentic RAG 的多跳检索思路：用户搜索 UGC 时，Agent 先理解意图，再决定检索策略（语义匹配 vs 关键词 vs 多轮），最终整合多篇帖子给出综合回答。
证据LexRAG 系统在 30 分钟内完成 500 份并购合同的反垄断审查，准确率 99%；智能制造场景将产线月停机时间从 20 小时降至 3 小时；低代码方案部署成本降低 60%。