INSIGHT嵌入维度与检索性能遵循幂律：与训练数据对齐的任务上持续收益递减，但分布外任务可能随维度增加反而退化。

业务关联为社区搜索选择 embedding 维度提供理论依据——可在存储成本、计算效率和检索质量之间找到最优平衡点。

证据跨多个模型族（BERT/T5/大语言模型）和多个 IR 基准实验，发现对齐任务上 nDCG@10 提升遵循 d^(-α) 幂律衰减，最优维度因模型和数据而异。

INSIGHT生成式检索在工业场景落地的三大关键：空间层次化语义 ID 编码、query 缓存降延迟、与 dense retrieval 联合部署。

业务关联社区搜索同样面临 UGC 内容规模大、query 短文本语义模糊的问题，HierGR 的层次化 ID 编码思路可直接迁移至帖子/问答的生成式召回。

证据ACL 2025 Industry Oral；美团外卖搜索线上 A/B 实验：每千次搜索订单量 +0.68%。

INSIGHT相关搜索 query 生成需同时优化点击率和主题一致性，迭代 DPO 配合精确奖励建模是有效方案。

业务关联社区搜索的「相关搜索」模块可直接借鉴：用 LLM 生成候选 query，通过 DPO 对齐用户偏好与平台风格。

证据大众点评 A/B 实验 CTR +2.3%；人工评估显示 query 质量和主题相关性显著优于基线。

INSIGHT即使 GPT-5 在长尾 query 和视觉显著性场景下仍表现不足，暴露了 LLM 相关性判断的系统性缺陷。

业务关联社区搜索中大量长尾 UGC query 恰好是相关性模型最薄弱的环节，RAIR 的规则化标注框架可直接用于构建内部评估集。

证据评测 14 个模型；GPT-5 最佳但在长尾子集准确率仅 67.2%；VLM 在视觉显著性子集上比纯文本模型高 +4.1%。

INSIGHTLLM 重排时 attention 过度集中在少数 token 上，跨文档 IDF 降权 + 熵正则化可有效缓解，且无需额外训练。

业务关联社区搜索排序可直接在现有 LLM 重排环节叠加 ReAttn，零成本提升短文本排序的区分度。

证据EACL 2026 录用；在 TREC-DL 2019/2020 等基准上 nDCG@10 比 vanilla attention reranking 提升 +2.1~3.8%。

INSIGHT跨 surface 预训练 + surface-specific 微调 + 目标条件生成，使一个生成式模型能统一服务多种推荐场景。

业务关联社区平台同样有信息流、搜索、相关推荐等多场景，PinRec 的统一生成式检索架构可减少多模型维护成本。

证据Pinterest 线上实验：搜索收藏量 +4%；home feed engagement +2.1%；跨 surface 预训练较单 surface 训练 Recall@100 +6.3%。

INSIGHTLLM 相关性评估存在系统性膨胀偏差，受文档长度和表面语言模式影响——直接替代人工标注前必须做偏差校准。

业务关联若社区搜索使用 LLM 做离线相关性标注或自动评估，需警惕过度评分导致的数据集污染和指标虚高。

证据跨 TREC-DL 2019/2020/2023 和多个 LLM（GPT-4o、Claude、Llama-3 等）实验；LLM 在 Highly Relevant 标签上 F1 虚高 15~25%。

INSIGHTLLM 重排中 RL 训练容易出现 reward hacking（保留原始排序），条件奖励机制可有效缓解。

业务关联社区搜索的精排/重排阶段可引入 LLM reasoning 能力，但需注意 RL 训练中的 reward hacking 问题。

证据在 Amazon Review、Yelp 等真实数据集上 NDCG@5 比 RankGPT 提升 +3.2%；RL 训练后比 SFT 基线 +1.8%。

INSIGHTLLM 重排器在小候选集上词汇覆盖率不如 BM25，且不同模型的冗余控制策略差异显著。

业务关联在社区搜索中部署 LLM 重排前，可参考该诊断方法评估模型的排序行为是否符合业务预期。

证据使用 Multi-News 8 篇文档固定池；LLM 在 k=2 时词汇覆盖率比 BM25 低 12~18%；GPT-4o 在大 k 时多样性提升，而 Llama-3 反而增加冗余。