2026-09-17 日报

主题: 增量叠加式改造：真正的杠杆常不在署名机制

标签: industrial · transformer · recursive-depth · parameter-scaling · inference-serving

📊 统计: 共 6 篇 · 精读 3 · 🏢 工业界 3 · 🎓 学术 3 · generative-rec 3 · discriminative-rec 2 · llm 2

综述

本期 6 篇：生成式推荐 3、判别式 2、LLM 2（有交叉），工业 2 篇，精读 3 篇。腾讯 ANGLE 用意图×摘要文本标识做搜索广告召回，作补充通道上线，消耗 +1.81%，但无 SID 对照，优势多来自约束解码。Meta LIGE-GR 在排序栈上叠因果注意力与束搜索、可回退，Reels 时长 +1.14%，加宽束仅 +0.05%，改目标才见效。Q Labs 的 Untied-Grow 单轴对照显示中途生长与边界算子改指数、权重共享只改常数，但指数差与换优化器同量级。横向看，坐实的杠杆是约束、目标与深度利用，署名卖点常无对照或近乎无效；叠加式改造易上线易回退，记功却须单轴对照。

重点论文

Untied-Grow · ⭐ 7/10

How Model Growth, Recursion, and Boundary Operators Influence Scaling Exponents

🏢 Q Labs · LLM

为 8 种 prelude–core–coda 变体逐架构拟合算力最优配方并在 FineWeb 上训练 1e18–1e20 FLOPs 阶梯，发现训练中途把 core pass 从 2 翻到 4 的模型生长（解绑 Untied-Grow 指数 0.111→0.117、1e20 处 1.55× 算力倍数；绑定 Loop-Grow 1.36×）与在 coda 前也做『归一化 + 注入 prelude 输出』的边界算子（1.25×）让 compute multiplier 随规模上升、而解绑权重只改常数，7.4B Untied-Grow 留出外推落在预测线上并以约 1/19 算力在 CORE 上追平 GPT-3 13B（非受控比较），多 epoch 下最优循环次数随算力增长且扩循环比扩尺寸省 2.2× 算力；但指数差仅 0.003–0.006、共享 Vanilla 的不可约损失、单种子，与换优化器或换配方引起的指数变化同量级。

LIGE-GR · ⭐ 6/10

LIGE-GR: A Smooth Leap from Ranking to Generative Recommendation in the LLM Era

🏢 Meta · 生成式推荐 / 判别式推荐

Meta 的 LIGE-GR 不替换现有 pointwise 排序栈，而是在 CF 排序模型的缓存候选表示上加 4 头 4 层因果 Transformer，做前缀条件的多任务重预测，再用续看生存概率加权的 listwise VM 和带闭式时长感知未来价值估计的 beam 解码器（Palette）逐位构造列表；三处改动都可配置回退到原贪心系统。线上 IG Reels / FB Video 时长 +1.14% / +0.72%，但头条收益来自 b=1 前缀条件贪心，训练仍是逐物品监督，加宽 beam 对时长几乎没有贡献（+0.05%，不显著），也没有同容量去上下文对照和公开基线。

ANGLE · ⭐ 5/10

One-Step Retrieval Framework for Real-Time Sponsored Search Ads Using Hierarchical Text Representations

🏢 Tencent · 生成式推荐

ANGLE 是腾讯搜索广告的一步式 LLM 生成召回：离线用 Hunyuan-13B 为每条广告生成「商业意图（约 70 万类目内约束生成）× 广告摘要（品牌/核心服务）」两级文本标识并建倒排索引，在线用 Hunyuan-1B 的 GDR-LLM（生成交叉熵 + [CLS] 点击判别头 + 按消耗排序的 DPO）在按用户可投放广告动态重建的约束树上 beam 64 解码，取回广告跳过相关性与粗排直送精排，作为补充通道上线 WTS/QBS（消耗 +1.81%/+6.57%）；但全文没有任何 SID 对照，消融显示对 110M BERT 等基线的优势几乎全部来自约束解码（去掉后 HR@100、MAP、ACR 跌破基线），线上曝光涨幅大于消耗与点击说明收益来自增量供给，实时性只有预算口径而无测量。

全部论文