- 1. Multimodal Generative Retrieval Model with Staged Pretraining for Food Delivery on Meituan
美团提出分阶段预训练策略解决多模态生成式检索中的模态主导和 one-epoch 问题，在外卖场景落地。
出现于日报：02-27
- 2. DiffuReason: Bridging Latent Reasoning and Generative Refinement for Sequential Recommendation
提出「先推理再扩散」的统一框架，将思维链 Token、扩散去噪与 GRPO 强化学习三者融合用于序列推荐。
出现于日报：02-27
- 3. Generative Pseudo-Labeling for Pre-Ranking with LLMs · 📖 深度解读
利用LLM生成伪标签解决预排序阶段的训练-服务偏差问题，改善未曝光物品的评分泛化能力。
出现于日报：02-26
- 4. The Generative Recommender Behind Shopify's Commerce Engine · 📖 深度解读
Shopify 将买家旅程建模为序列，用自回归模型+因果掩码做下一商品预测，基于 HSTU 架构并引入 boosting 式训练策略实现大规模部署。
出现于日报：02-28
- 5. From Logs to Language: Learning Optimal Verbalization for LLM-Based Recommendation in Production
提出数据驱动框架，用强化学习优化用户行为日志到自然语言的转换，提升LLM推荐系统效果。
出现于日报：02-26
- 6. S-GRec: Personalized Semantic-Aware Generative Recommendation with Asymmetric Advantage · 📖 深度解读
提出 S-GRec 框架，将在线轻量生成器与离线 LLM 语义裁判解耦，用非对称优势策略优化防止语义信号偏离业务目标。
出现于日报：02-27
- 7. PROMISE: Process Reward Models Unlock Test-Time Scaling Laws in Generative Recommendations · 📖 深度解读
首次在生成式推荐中验证了 Test-Time Scaling Laws，提出 PRM 引导的 Beam Search 让小模型通过增加推理计算超越大模型。
出现于日报：02-28
- 8. Deeper Insights into Retrieval-Augmented Generation: The Role of Sufficient Context
Google Research 提出「充分上下文」概念，揭示 RAG 系统中检索到不充分上下文反而会大幅增加幻觉。
出现于日报：02-24
- 9. Learning to Reason for Multi-Step Retrieval of Personal Context in Personalized Question Answering
提出 PR2 强化学习框架，让 LLM 学会从用户画像中多步检索个人上下文，提升个性化问答质量。
出现于日报：02-24
- 10. Uncertainty-aware Generative Recommendation
提出 UGR 框架，将不确定性作为关键信号融入生成式推荐的偏好优化过程，解决「不确定性盲区」问题。
出现于日报：02-27