- 1. Progressive Learning from Content to Relevance to Personalization for CTR Prediction · 📖 深度解读
淘宝搜索的 CTR 模型主要靠商品 ID 记忆历史点击，同一件商品换一张主图，模型几乎分不出差别。FineSID 把商品图用 VAR 图像分词器编成 1×1 到 4×4 四个尺度、共 30 个离散编码，标题和 OCR 文字按字段分词，全部像普通 ID 特征一样查表输入；整个网络先用 Qwen3.5 教师标注的“搜索词—商品”相关性训练，再换上点击预测头，用点击日志微调…
出现于日报：10-23
- 2. ECHO: Efficient Cascade with Homogeneous Operators for Distillation-Guided 100K-Sequence Modeling · 📖 深度解读
十万条历史行为让候选逐一匹配的成本过高，作者先筛选可复用的原始记录，再按候选查找证据。筛选器向完整历史教师学习，并让检索与聚合共享相关性参数。快手线上实验中，应用使用时长提高0.613%。
出现于日报：10-22
- 3. A Framework for Value-Aligned Modeling and Robust Experimentation · 📖 深度解读
Google Discover 广告团队的模型迭代里，离线结果和线上结果对不上：转化模型离线损失的变化和线上广告主价值的相关系数只有 0.1，大量离线变好的改动在小流量 A/B 阶段失败。这篇论文把离线损失按每次点击对广告主值多少钱加权，让损失下降对应到价值上升。改完以后，离线到线上的相关系数升到 0.65，两类模型换用新目标后线上价值合计提升 4.7%。
出现于日报：10-24
- 4. KuaFu: Compressing Long User Behavior into Understanding at Billion Scale · 📖 深度解读
多个画像任务反复读取同一段长历史，造成大量重复计算。作者把物品内容预先压成可共享向量，再按时间拼回用户历史，配合分阶段训练减少信息损失。腾讯长期保留对照组的实验报告整体GMV提高1.37%。
出现于日报：10-22
- 5. FLMNet: Self-Ensemble Distillation from Masks to Seeds for Single-Tower CTR Prediction · 📖 深度解读
点击率模型常靠多次随机预测教自己，本文把这种训练改成可计算的分歧惩罚。门控只读取未遮挡的原始特征，让随机遮挡造成的预测差异可以直接估算。五个基准中，蒸馏版在 Criteo 的 AUC 达到 0.8169。
出现于日报：10-21
- 6. LSNR: Learned Sparse News Recommendations with Attentive User Modeling · 📖 深度解读
把读过的文章分别编码，再学习哪些文章更重要，可以避免长历史被截断。LSNR将词项加权与用户级语义扩展合并成稀疏向量，在MIND上的NDCG@10比稀疏基线STAR高约11%。
出现于日报：10-20
- 7. Predictable Scaling: Efficient Model Exploration via Scaling-Law Prediction · 📖 深度解读
排序模型每次改动都跑完整训练，成本很高。Predictable Scaling用缩小的数据和网络预测改动收益，再用历史学习曲线估计误差；两个工业排序模型的训练计算量分别减少88%和79%。
出现于日报：10-20
- 8. DuoLM: Fast and Effective Personalized Recommendation with Language Models · 📖 深度解读
语言模型逐个阅读物品全文，在线推荐成本很高。作者把每件物品预先压成一个向量，再让排序模型结合用户历史和反馈打分；同一请求的候选共享历史缓存。在单张 H100 上，吞吐约为每秒 2.64 万个候选分数。
出现于日报：10-21
- 9. EASformer: Environment-Action-State Alignment for Industrial Generative Ranking
历史行为含已发生的动作，待排序候选却没有，这种语义错位会干扰注意力匹配。作者把环境、动作和状态拆开，让历史与目标先在共同环境空间比较。两个线上场景中，较大的eCPM相对增幅为3.94%。
出现于日报：10-22
- 10. SPAR: Stepwise Personalized Autoregressive Recommendation with Prefix-Balanced Semantic IDs
逐段生成物品编码时，前一步选错分支会挡住真正相关的内容。作者每步读取与当前前缀相关的用户记忆，并让同一父节点下的分支流量更均衡。优酷线上实验报告人均观看时长提高3.95%。
出现于日报：10-22