- 1. From a Static Multi-Level Small Semantic Codebook to a Dynamic Single-Level Large Semantic Codebook for Generative Recommendation · 📖 深度解读
生成式推荐常用多层残差量化 Semantic ID，解码步数多且静态码本难跟随新物品与曝光分布。论文以单层大语义码本加协同消歧 token 替代多层码，并用时间衰减、EMA 中心更新和曝光加权惩罚动态维护 ID。在两个公开数据集上，OneRec-V1 Recall@10 提升 5.0%–8.8%、NDCG@10 提升 4.1%–5.1%；三种服务架构的解码 FLOPs 降 47.93%–48.70%…
出现于日报：08-25
- 2. Query Expansion Is More Than Generation: Improving Dense Retrieval through Better Integration · 📖 深度解读
论文指出，LLM 生成的扩展词让冻结稠密检索器退化，问题常不在生成文本本身，而在融合方式。AnchorQE 分别编码原查询与扩展，再依据小规模无标注测试流在线估计插值权重；只有当扩展既能带来强检索信号、又与原查询证据一致时才提高信任。
出现于日报：08-28
- 3. CodeHID: Learning an Addressable Hierarchical Code Index for Generative Code Retrieval · 📖 深度解读
论文把代码检索从平面相似度排序改写为分层语义地址生成：先用 RQ-VAE 与 kNN 伪邻居学习四层 DocID，再用硬负例、排序蒸馏和前缀约束解码导航。CoSQA 上 Hit@1=0.744、MRR@20=0.766；ProCQA-Python 上分别为 0.597 和 0.706，均明显高于 BM25、UniXcoder、NCI 等基线。
出现于日报：08-27
- 4. Retrieve, Match, Escalate: Accurate and Scalable Product Linking with VLM-Distilled Cross-Encoders and Agentic VLMs
面向十亿级商家记录与千万级标准商品的链接任务，论文构建“召回—匹配—升级”级联：轻量文本 cross-encoder 自动处理高置信样本，仅把歧义案例交给可查看图片并执行网页搜索的多模态智能体。cross-encoder 由数百万条双 VLM 共识标签蒸馏，兼顾规模、精度与成本。
出现于日报：08-28
- 5. EviGraph: Towards Verifiable Evidence Construction for Information-Seeking Agents
EviGraph 将信息搜索改写为可验证证据图构建：执行器负责查询，冻结验证器抽取带极性和约束标签的原文证据，共享策略模型提交图更新并由确定性校验器检查。BrowseComp-Plus 上 Qwen3-8B+RL 达到 35.9%，同架构无 RL 为 26.9%，单体 Agent 仅 2.7%；LiveVQA 达到 78.0%。
出现于日报：08-27
- 6. Faithful Evaluation of Semantic-ID Tokenizers for Generative Recommendation · 📖 深度解读
Semantic ID 推荐通常直接比较生成的 SID 序列，但碰撞会让指标高估真实命中。论文提出碰撞校正评估（CCE）和零碰撞重分配（ZCR），在 4 个数据集、5 种 tokenizer 上发现碰撞率最高达 30.52%，SID-level Hit@10 最高被夸大 103.36%。
出现于日报：08-26
- 7. Adaptive Semantic Capacity Allocation for Parallel Generative Recommendation
并行生成推荐虽摆脱 beam search，却常把每个语义槽设为相同长度和码本，造成容量浪费。InforID 先投影 item embedding，再以固定 bit budget 为各候选槽逐 bit 分配容量：每次选择重构损失边际下降最大的槽，零 bit 槽直接移除，保留单步并行预测。在 Sports、Beauty、Toys、CDs 四个基准上，相同预算下较 PQ/OPQ 取得最好或相当 NDCG@10，并降低 ID 冲突率。
出现于日报：08-25
- 8. Training-Free LLM-Based Recommendation with Post-LLM Item Refinement Using Collaborative Signals · 📖 深度解读
CoRRe 针对 LLM 生成的用户兴趣过于宽泛、难以细粒度召回的问题，提出“后置协同增强”框架：先由 LLM 生成用户与物品表示，再用物品共购图修正向量方向、用流行度修正向量幅度，最后进行匹配排序。论文在真实数据集上显示无需训练或任务微调即可稳定超过训练免调基线，并与训练式方法竞争；摘要未披露具体数据集指标，需复核全文。
出现于日报：08-24
- 9. GRAFT: Graph-Distilled Generative Retrieval for Facet-Aware Scientific Literature Exploration
GRAFT 将论文图谱中“问题、方法、结果、贡献”4 类关系蒸馏为生成式检索器，让模型直接生成带语义标签的论文标识。朴素枚举只能覆盖 84% 语料；在 11,359 篇 NLP 论文的 LitWeave 上，覆盖感知训练达到教师图谱 Recall@20 的 91%，facet 标签精度为 0.922。
出现于日报：08-26
- 10. Less can be More: Relieving RAG Bottlenecks via Evidence Frontloading and Pressure-Adaptive Budgeting
论文发现 RAG 的瓶颈会随查询并发和重排预算在上游重排与下游生成之间迁移；盲目压缩重排候选虽能提速，却可能丢失关键证据。PACE 无需训练，先把高价值证据前置，再根据系统压力动态调整预算，以较小候选集维持证据覆盖。
出现于日报：08-28