🌊 Tide

资讯如潮汐。我们挑出值得研究的浪，并认真讲解它。

English

← 今日潮汐

发表于 2026-07-17 · Bowen Zheng, Chao Yi, Dian Chen 等

RecGPT-V3 Technical Report

arXiv · HuggingFace · ▲19

摘要（原文）

Large language models (LLMs) are transforming recommender systems from matching co-occurrence patterns in historical behavior toward reasoning about the intent that drives it. RecGPT-V1 pioneered this paradigm on Taobao by centering user understanding, and RecGPT-V2 scaled it via coordinated multi-agent reasoning; both are deployed in production with consistent gains in user experience and commercial outcomes. However, operating RecGPT at scale reveals three challenges: (1) stateless behavior modeling, where each request reprocesses full user history, wasting computation and discarding prior analysis; (2) a tag-to-item information bottleneck, where natural-language tags form a lossy channel between user understanding and item grounding; and (3) inefficient explicit reasoning, whose lengthy chain-of-thought incurs untenable latency and compute overhead. We present RecGPT-V3, a stateful, hybrid-modal recommender that reasons over natural language for open-world knowledge and Semantic IDs (SIDs) for concrete item grounding. A Memory Hub maintains structured, continually evolving user memory that distills long-horizon behavior into condensed units, cutting user-modeling computation by 55.8%. A Hybrid-modal Foundation Model allows the LLM jointly reason over text tags and SIDs, opening a high-bandwidth channel into the item space. Latent Intent Reasoning internalizes verbose rationales into compact learnable latent tokens that remain decodable into readable explanations, lowering output token cost by 200x. Deployed in Taobao's "Guess What You Like" feed, RecGPT-V3 achieves consistent gains in large-scale online A/B tests: IPV +1.28%, CTR +1.00%, TC +1.97%, GMV +3.97%, while cutting end-to-end serving resource consumption by 52.4%.

摘要（中译）

大型语言模型（LLMs）正在将推荐系统从匹配历史行为中的共现模式转变为对驱动它的意图进行推理。RecGPT - V1通过在淘宝上以用户理解为核心开创了这种范式，RecGPT - V2通过协调的多智能体推理对其进行了扩展；两者都已投入生产，并且在用户体验和商业成果方面都有持续的提升。然而，在大规模运行RecGPT时揭示了三个挑战：（1）无状态行为建模，其中每个请求都重新处理完整的用户历史，浪费计算资源并丢弃先前的分析；（2）标签到项目的信息瓶颈，其中自然语言标签在用户理解和项目定位之间形成了一个有损通道；（3）低效的显式推理，其冗长的思维链会导致不可接受的延迟和计算开销。 我们提出了RecGPT - V3，这是一种有状态的、混合模式的推荐器，它针对自然语言进行开放世界知识的推理，并针对语义ID（SIDs）进行具体项目的定位。记忆中心维护一个结构化的、不断演变的用户记忆，该记忆将长周期行为提炼成浓缩单元，将用户建模的计算量减少了55.8%。混合模式基础模型允许大型语言模型同时对文本标签和SIDs进行推理，从而打开了进入项目空间的高带宽通道。潜在意图推理将冗长的理由内化为紧凑的可学习的潜在标记，这些标记仍然可以解码为可读的解释，将输出标记成本降低了200倍。RecGPT - V3部署在淘宝的“猜你喜欢”推送中，在大规模在线A/B测试中取得了持续的收益：IPV + 1.28%，CTR + 1.00%，TC + 1.97%，GMV + 3.97%，同时将端到端服务资源消耗减少了52.4%。

背景剖析

背景剖析

1. 技术背景与真实需求

推荐系统是电商、内容平台等互联网服务的核心引擎，其目标是理解用户需求并精准匹配商品或信息。传统方法依赖历史行为数据中的统计规律（如协同过滤、序列模型），通过预测“下一个可能点击的物品”来驱动推荐。然而，这种“相关性匹配”存在根本局限：它无法理解用户行为背后的真实意图（例如，用户购买羽毛球拍可能是因为“运动需求”而非单纯“历史购买记录”）。随着用户对个性化体验的要求提升，推荐系统需要从“机械匹配”转向“意图推理”——不仅要预测行为，更要理解行为背后的动机（如兴趣、需求、场景），从而提供更符合长期偏好的服务。

2. 先前方法的瓶颈

尽管大语言模型（LLM）为意图推理提供了新可能，但现有LLM-based推荐系统仍面临三大挑战：
- 无状态行为建模：每次请求都重新处理完整用户历史，导致计算冗余且无法积累长期认知（例如，用户半年前的兴趣被重复分析，而近期行为未被优先考虑）。
- 标签到物品的信息瓶颈：LLM通过自然语言标签（如“羽毛球拍”）推断意图，但标签与具体物品之间存在语义鸿沟（例如，“羽毛球拍”可能对应成千上万种商品，无法精准匹配用户需求）。
- 低效的显式推理：LLM生成长链推理（Chain-of-Thought）以解释意图，但冗长的文本推理导致高延迟和高计算成本，难以支撑大规模实时服务。

3. 本文的解决方案

RecGPT-V3针对上述问题提出三方面创新：
- 记忆增强用户建模：引入“记忆中枢”（Memory Hub），将用户长期行为压缩为结构化记忆单元（如“运动爱好者”“近期关注摄影”），避免重复计算，同时保留关键上下文。
- 混合模态推理：结合自然语言（表达开放意图）和语义ID（SIDs，编码物品语义），让LLM直接基于物品的语义特征推理，消除标签与物品间的信息损失。
- 潜在意图推理：将冗长的推理过程压缩为紧凑的“潜在token”，既降低计算成本（减少200倍token量），又保留可解释性（按需还原为人类可读的推理链）。

4. 与前人工作的关键差异

RecGPT-V3的核心突破在于从“无状态、单模态、显式推理”转向“有状态、混合模态、潜在推理”：
- 与RecGPT-V1/V2相比，它不再逐次处理完整历史，而是通过记忆中枢累积用户认知；
- 与纯文本推理的LLM系统相比，它引入语义ID作为第二模态，实现意图与物品的精准映射；
- 与传统的显式长链推理相比，它通过潜在token平衡效率与可解释性，首次在工业级推荐系统中实现低成本的高质量推理。

这一设计使RecGPT-V3在淘宝“猜你喜欢”场景中同时提升用户体验（如点击率+1.00%）和商业价值（如GMV+3.97%），并显著降低计算资源消耗（-52.4%），标志着LLM从实验室走向工业级推荐系统的关键一步。

方法图解

方 法 图 解1 / 9

Figure 1 : Performance and efficiency of the RecGPT series on Taobao. Each generation brings further gains on CTR, IPV, TC, and GMV in both the Item Scene and Main Feed, while GPU cost drops steadily: RecGPT-V3 uses only 19% of RecGPT-V1 ’s compute, a 52.4% reduction over RecGPT-V2 .

这张图（图1）来自论文《RecGPT-V3 Technical Report》，展示了RecGPT系列模型在淘宝平台上的性能提升和效率改进。我们可以将这张图分为三个主要部分来理解：左侧的“Item Scene”（商品场景）、中间的“Main Feed”（主信息流）以及右侧的“GPU Cost”（GPU成本）。

首先，我们来看左侧的“Item Scene”部分。这个部分通过柱状图和箭头展示了RecGPT-V1、RecGPT-V2和RecGPT-V3三个模型在点击率（CTR）、商品浏览量（IPV）和转化次数（TC）这三个关键指标上的表现。每个模型用不同颜色的柱子表示：RecGPT-V1是浅橙色，RecGPT-V2是深橙色，RecGPT-V3是红色。箭头和百分比标注显示了每个模型相对于前一个模型的提升。例如，在CTR指标上，RecGPT-V2比RecGPT-V1提升了0.98%，而RecGPT-V3比RecGPT-V2提升了3.08%。同样，在IPV和TC指标上，我们也可以看到类似的提升趋势，RecGPT-V3在所有指标上都取得了最大的提升。

接下来是中间的“Main Feed”部分。这个部分的结构与“Item Scene”部分类似，也是通过柱状图和箭头展示了三个模型在CTR、IPV和TC指标上的表现。不同之处在于，这里的柱子颜色是蓝色系，RecGPT-V1是浅蓝色，RecGPT-V2是中蓝色，RecGPT-V3是深蓝色。箭头和百分比标注同样显示了每个模型相对于前一个模型的提升。例如，在CTR指标上，RecGPT-V2比RecGPT-V1提升了1.50%，而RecGPT-V3比RecGPT-V2提升了1.00%。在IPV和TC指标上，我们也看到了类似的提升趋势，RecGPT-V3在所有指标上都取得了显著的提升。

最后是右侧的“GPU Cost”部分。这个部分通过柱状图展示了三个模型的GPU计算成本。RecGPT-V1的GPU成本被设定为100%，作为基准。RecGPT-V2的GPU成本降低到了40%，相比RecGPT-V1减少了60%。而RecGPT-V3的GPU成本进一步降低到了19%，相比RecGPT-V2减少了52.4%。这表明RecGPT-V3在保持高性能的同时，显著降低了计算成本。

综合来看，这张图清晰地展示了RecGPT系列模型在淘宝平台上的性能提升和效率改进。每个新一代模型都在关键指标上取得了显著的提升，同时降低了计算成本。这得益于RecGPT-V3引入的几个创新点：状态记忆（Memory Hub）用于减少用户行为建模的计算量，混合模态基础模型（Hybrid-modal Foundation Model）用于提高物品接地的高带宽通道，以及潜在意图推理（Latent Intent Reasoning）用于降低冗长的推理链带来的延迟和计算开销。

Figure 2 : Overview of RecGPT-V3 . A Memory Hub distills a user’s long-term behavior into incrementally curated memory units; conditioned on these units and recent behaviors, a planner and its multi-expert modules reason with the Hybrid-modal Foundation Model (natural language and Semantic IDs) and Latent Intent Reasoning (compact latent tokens) to predict the next item to interact with.

这张图展示了RecGPT - V3的整体架构，我们可以按照数据或信息的流动顺序来拆解各个组件和板块：

输入部分

  • Long - term Behavior History：这部分包含用户长期的行为历史，比如图中显示的一些行为图标（如购物、使用不同设备等），这些是用户过去较长时间内的行为记录，作为整个系统的长期行为输入。
  • User Profile、Weather、Trend Event、Festival：这部分是用户的静态或动态上下文信息，用户画像（User Profile）描述用户的基本特征，天气（Weather）、趋势事件（Trend Event）、节日（Festival）等是影响用户行为的外部或内部上下文因素，它们和长期行为历史一起作为后续处理的输入。
  • Recent Behavior Sequence：这部分是用户最近的行为序列，如图中的浏览（放大镜图标）、点击、加入购物车、购买等行为，是用户近期的行为记录，用于捕捉用户当前的即时行为倾向。

记忆处理部分（Memory Hub）

  • Distill（提炼）：长期行为历史首先进入Memory Hub的“Distill”阶段，这个阶段的作用是将用户的长周期行为提炼成浓缩的记忆单元（Condensed Memory Units）。从图中可以看到，长期行为历史的图标经过“Distill”后，生成了\(m_1, m_2, m_3, m_4\)等记忆单元，并且随着时间推移（Incremental Update，增量更新），记忆单元会不断增加（如从\(m_1 - m_4\)到\(m_1 - m_5\)），这体现了记忆的持续进化。
  • Curate（管理）：Memory Hub还会对记忆单元进行“Curate”（管理），确保记忆单元是有序且有效的，为后续的推理提供结构化的用户记忆。

推理规划部分（Planner和Multi - Experts）

  • Planner（规划器）：浓缩的记忆单元（来自Memory Hub）和近期行为序列（Recent Behavior Sequence）以及上下文信息（User Profile等）一起输入到Planner中。Planner的作用是根据这些输入进行规划，为后续的多专家推理做准备。
  • Multi - Experts（多专家模块）：Planner的输出进入Multi - Experts模块，这个模块包含不同的专家，如图中的Sport（体育）、Electronic（电子）、Fashion（时尚）等专家，每个专家负责处理特定领域的用户行为和意图推理。这些专家会利用Hybrid - modal Foundation Model（混合模态基础模型）进行推理，该模型可以同时处理自然语言（Text）和语义ID（SID）。

输出和推理部分（Text Tag、SID、Latent Intent Reasoning、Hybrid - modal RecModel）

  • Text Tag和SID：Multi - Experts的输出会生成Text Tag（文本标签）和SID（语义ID）。Text Tag是自然语言形式的标签，用于描述用户的意图或行为；SID是语义ID，用于具体的商品匹配（item grounding）。图中显示了Text Tag和SID的输出，其中SID还有具体的数字标识（如1、2、3）。
  • Hybrid - modal RecModel：这个模型是混合模态的推荐模型，它可以同时处理自然语言（Generalizable，可推广的）和SID（Concrete，具体的），实现自然语言和具体商品之间的映射，从而为预测下一个交互商品提供支持。
  • Latent Intent Reasoning：这个模块用于内化冗长的推理过程，将其转化为紧凑的可学习潜在令牌（latent tokens），这些令牌仍然可以解码为可读的解释（Explicit，明确的）。它将潜在的意图（Latent）转化为可解释的内容，并且输出潜在的令牌（\(z_1, z_2, z_3, z_4\cdots\)），用于进一步的推理或预测。

增量更新和决策部分

  • Incremental Update：Memory Hub的增量更新机制确保随着新行为的产生，记忆单元会不断更新，保持用户记忆的时效性和完整性。
  • 决策（正确/错误标记）：最终的输出会用于预测下一个用户交互的商品，图中用购物袋的图标和正确（√）、错误（×）标记来表示预测的结果，正确的预测会被选中，错误的则被排除。

方法运作流程总结

  1. 首先，系统收集用户的长期行为历史、上下文信息（用户画像、天气、趋势事件、节日）和近期行为序列作为输入。
  2. 然后，Memory Hub对这些输入中的长期行为历史进行提炼和管理，生成浓缩的记忆单元，并通过增量更新保持记忆的更新。
  3. 接着，Planner结合浓缩的记忆单元、近期行为序列和上下文信息进行规划，之后由Multi - Experts模块利用混合模态基础模型（自然语言和语义ID）进行多领域推理，生成文本标签和语义ID。
  4. 之后，Hybrid - modal RecModel处理自然语言和语义ID的混合模态信息，Latent Intent Reasoning将冗长的推理转化为紧凑的潜在令牌，用于明确意图并支持预测。
  5. 最后，通过增量更新不断优化记忆，并根据推理结果预测下一个用户交互的商品，选择正确的预测结果。

这张图清晰地展示了RecGPT - V3如何通过记忆管理、多专家推理、混合模态模型和潜在意图推理来解决大规模推荐系统中的挑战，如无状态行为建模、标签到商品的信息瓶颈和低效的显式推理等问题，通过这些组件的协同工作，实现对用户意图的推理并预测下一个交互商品。

Figure 3 : Overview of the Memory Hub. Structured Behavior Compression distills a user’s long-term behavioral history into a compact set of structured memory units, reducing token usage by 94.5 % 94.5\% . Evolving Memory Curation then keeps this memory current by selectively updating existing units and extracting new patterns from unmatched behaviors, yielding a condensed, traceable, and evolvable user representation for downstream recommendation.

这张图展示了RecGPT - V3中Memory Hub的概述，它主要包含三个核心组件，数据或信息的流动顺序以及方法的运作方式如下：

首先看最左侧的“User Profile”（用户画像）和“Long - term Behavior History”（长期行为历史）部分。“User Profile”提供了用户的基本信息，比如年龄34岁、性别男、城市北京、用户活跃度L6等；“Long - term Behavior History”则是用户的历史行为记录，例如点击YONEX Arcsaber II球拍、点击并加入购物车MSI RTX 4090 GPU等。这些信息会流向中间的“Structured Behavior Compression”（结构化行为压缩）模块。

“Structured Behavior Compression”模块的作用是将用户的长期行为历史压缩成一组紧凑的结构化记忆单元。从图中可以看到，它把长期行为历史压缩成了m₁（科技类，包含RTX 4090、WiFi6、NAS）、m₂（羽毛球类，包含Arcsaber 11、NS9900LTD）、m₃（家居类，包含DIY Hardware、Humidifier）这三个结构化记忆单元，并且标注了可以将token使用量减少约80%（结合caption中的94.5%，这里可能是不同层面的压缩）。这个压缩过程是对用户长期行为的提炼，得到更紧凑的记忆表示。

接着，“Structured Behavior Compression”的输出和“Recent Behavior Sequence”（近期行为序列）一起流向“Evolving Memory Curation”（进化记忆管理）模块。“Recent Behavior Sequence”展示的是用户近期的行为，比如搜索77pro、点击、评论、购买Cherry Keyboard、搜索Black Diamond等。而“Evolving Memory Curation”模块的功能是保持这个记忆的时效性，它会选择性地更新现有的记忆单元，并从未匹配的行为中提取新的模式。从图中可以看到，m₁被更新（科技类，RTX 4090变为Custom Keyboard），m₂被更新（羽毛球类，Arcsaber 11变为Astrox 77pro），m₃被保留（家居类，DIY Hardware变为Blum/Mijia），还有新的记忆单元m₄被创建（跑步类，HOKA、Overpronation Correction）。这个过程使得用户表示是紧凑的、可追溯的和可进化的，以便用于下游的推荐任务。

整体来看，这个Memory Hub的运作流程是：首先利用用户画像和长期行为历史，通过结构化行为压缩将长期行为提炼成紧凑的结构化记忆单元；然后结合近期行为序列，通过进化记忆管理来更新和维护这些记忆单元，使其能够反映用户当前的意图和行为模式，最终得到一个可用于推荐的、高效的用户表示。这种方法解决了之前RecGPT面临的问题，比如通过结构化行为压缩减少了用户建模的计算量（caption中提到降低55.8%），通过混合模态基础模型（虽然图中未直接展示，但结合论文摘要）可以在文本标签和具体商品之间建立高带宽通道，通过潜在意图推理（图中未直接展示）可以将冗长的理由内化为紧凑的可学习潜在标记，同时保持可解码为可读的解释。

Figure 4 : Overview of the Hybrid-modal Foundation Model. Multimodal item features are quantized into 65 , 536 65{,}536 SID tokens via CN-CLIP and a two-level RQ-VAE, extending the Qwen3-14B vocabulary. Continual pre-training (Stage 1) and instruction tuning (Stage 2) then align these tokens with language, with general-domain data mixed into both stages.

这张图展示了混合模态推荐基础模型（Hybrid - modal Recommendation Foundation Model）的整体架构和工作流程，我们可以从数据的输入、处理、预训练等环节逐步理解其运作方式：

数据输入与初步处理

  • 数据来源：左侧的“Item Content”（商品内容）包含文本（Text）、图像（Image）和侧边信息（Side Info），这些是商品的原始多模态数据；“Collaborative Pairs”（协同对）则通过“co - occur”（共现）和“high similarity”（高相似度）来构建，用于后续的协同学习。
  • 处理模块：
    • “Multimodal Encoder”（多模态编码器）的作用是对商品内容进行统一的嵌入（unified item embedding），它通过对比学习（contrastive learning）来训练，将多模态的商品信息转化为统一的向量表示。
    • 接着是“Residual Quantization”（残差量化）模块，它和“SID Tokens”（语义ID令牌）相关联。根据图的说明，多模态商品特征会通过CN - CLIP和两级RQ - VAE被量化为65,536个SID令牌，并且扩展了Qwen3 - 14B的词汇表。这里的SID令牌是对商品特征的一种离散化表示，方便后续与语言模态进行对齐。

预训练阶段（Pre - training）

预训练分为两个阶段，分别是“Stage 1 - Continual Pre - training”（阶段1 - 持续预训练）和“Stage 2 - Instruction Tuning”（阶段2 - 指令调优），这两个阶段的训练数据混合了通用领域数据（General - Domain Data），并且有不同的目标和数据分布：

阶段1：持续预训练（Continual Pre - training）

  • 目标：“SID grounding”（SID锚定），也就是让模型学习将SID令牌与商品的实际信息进行关联。
  • 训练数据：
    • “SID - Grounding Data”占比约90%，这类数据包含了商品的具体信息，例如图中给出的例子：商品的SID（）、标题（Title: DIY Handmade Speaker）、类别（Category: 3C Digital - Speakers）、价格（Price: ¥128.00）、品牌（Brand: SoundCraft）、颜色（Color: Black）等，这些数据帮助模型建立SID与商品属性的联系。
    • “General - Domain Data”占比约10%，通用领域数据用于补充模型的知识，使其具有更广泛的背景知识，能够在不同的场景下进行推理。

阶段2：指令调优（Instruction Tuning）

  • 目标：“SID - text alignment”（SID - 文本对齐），即让模型学会将SID令牌与自然语言文本进行对齐，从而能够理解用户用自然语言表达的意图并将其与具体的商品（通过SID表示）关联起来。
  • 训练数据：
    • “Bidirectional Translation”（双向翻译）占比约60%，这类数据包含了问题和对问题的回答，其中涉及到SID和文本的对应关系，例如图中给出的例子：“What's the ID of 'vandy thickened 26MM steel - pipe cloth wardrobe'?”以及对应的SID（），通过这种双向翻译的任务，模型学习如何将自然语言的问题转换为对应的SID表示，或者反之。
    • “Sequential Recommendation”（序列推荐）占比约20%，这类数据包含了用户的点击序列，例如“30d click ... 7d click ... next: ”，模型通过学习这些序列数据，理解用户的点击行为模式，从而能够进行序列推荐。
    • “General - Domain Tasks”（通用领域任务）占比约20%，通用领域任务用于进一步优化模型的指令遵循能力，使其能够更好地理解各种类型的指令并与SID进行对齐。

整体流程与信息流动

  • 数据从“Item Content”和“Collaborative Pairs”开始，经过“Multimodal Encoder”的统一嵌入和“Residual Quantization”的量化，生成SID令牌。
  • 然后，这些SID令牌进入预训练阶段，在“Stage 1”中通过“SID - Grounding Data”和“General - Domain Data”进行持续预训练，目标是实现SID锚定；接着在“Stage 2”中通过“Bidirectional Translation”、“Sequential Recommendation”和“General - Domain Tasks”进行指令调优，目标是实现SID - 文本对齐。
  • 最终，这个混合模态基础模型能够同时处理自然语言（文本）和SID（语义ID），从而在推荐系统中实现对用户意图的理解和商品的精准定位，解决了之前方法中存在的状态无关行为建模、标签到物品的信息瓶颈和低效显式推理等问题。

这张图清晰地展示了RecGPT - V3中混合模态基础模型的工作机制，从数据处理的源头到预训练的两个阶段，再到最终的模型能力，让我们能够理解它是如何将多模态商品特征与语言模态进行对齐，从而实现更有效的推荐系统的。

Figure 5 : Overview of Latent Intent Reasoning. Three reconstruction-based alignment tasks compress an explicit chain-of-thought trace into a short sequence of learnable latent tokens z z that faithfully encode it. A two-stage post-training pipeline then internalizes this reasoning into the model: Explicit-to-Implicit CoT Alignment first distills teacher traces into the latent tokens, and Reinforcement Learning from Ranking Feedback then refines the policy against online business rewards.

这张图展示了RecGPT-V3中“潜在意图推理”（Latent Intent Reasoning）模块的工作流程，它旨在解决大语言模型在推荐系统中显式推理效率低下的问题。我们可以将图分为两个主要阶段来理解：

第一阶段：显式到隐式思维链对齐（Stage 1: Explicit-to-Implicit CoT Alignment） 这个阶段的目标是将冗长的显式思维链（Chain-of-Thought, CoT）压缩成一组紧凑的、可学习的潜在意图令牌（latent tokens）。 * 三个重建任务：图中展示了三种不同粒度的重建任务，它们共同作用于将显式的推理过程转化为潜在令牌： * 单段重建（Single-Segment Reconstruction）：输入是一个单独的潜在令牌 z_j（用黄色方框表示），输出是一个简化的表示（用等号和竖线表示）。这可能代表从单个潜在令牌重建局部信息。 * 多段重建（Multi-Segment Reconstruction）：输入是多个连续的潜在令牌（如图中的 z_2, z_3），输出是一个更结构化的表示（用三条横线表示）。这可能代表从一组相关的潜在令牌重建更复杂的局部上下文。 * 全轨迹重建（Full-Trace Reconstruction）：输入是一整条显式的思维链，由一系列潜在令牌（z_1, z_2, ..., z_k）组成，输出是一个完整的、结构化的表示（用三条横线和一条蓝色竖线表示）。这代表了从整个思维链重建全局信息。 * 信息流动：这些任务的核心是将显式的、可能是文本形式的推理步骤（未直接显示，但可以理解为输入到这些重建任务的原始CoT）转化为潜在令牌序列。通过这些重建任务，模型学习到如何用更少的潜在令牌来准确表示和重建原始的显式推理。

第二阶段：从排名反馈中进行强化学习（Stage 2: Reinforcement Learning from Ranking Feedback） 这个阶段的目标是将第一阶段学到的潜在意图推理策略内化到基础模型中，并通过实际的在线业务奖励（如点击率）进行优化。 * 混合模态推荐基础模型（Hybrid-modal Recommendation Foundation Model）：这是核心的推荐模型，它接收多种类型的输入： * 文本令牌（Text Token）：用灰色虚线框表示，代表自然语言描述，例如用户画像或物品标签。 * SID令牌（SID Token）：用紫色虚线框表示，代表语义ID（Semantic IDs），用于具体的物品定位。 * 潜在令牌（Latent Token）：用橙色实心方框表示（z_1, z_2, ..., z_k），这是第一阶段学到的紧凑表示，包含了用户的意图信息。 * 用户历史/提示（User History/Prompt）：在模型下方有一行文本：“You are an expert in sports, ..., recently clicked , ...”，这代表了用户的背景信息或当前查询的上下文。 * 信息流动与优化： 1. 混合模态模型处理上述输入，生成推荐结果（图中右上角显示了一个带有星级评分的物品示例，其JSON表示包含"title"和"sid"）。 2. 推荐结果会产生一个在线业务奖励，图中用“CTRScore”（点击率得分）表示。 3. 这个奖励通过“GRPO”（一种强化学习算法，可能是Guided Relative Policy Optimization）反馈给模型，用于调整模型的参数，特别是潜在令牌的表示，以优化未来的推荐策略。 4. 右上角的箭头表明，基于CTRScore的反馈会指导模型（通过GRPO）进行学习，从而改进其推荐性能。

整体方法揭示： 这张图清晰地展示了RecGPT-V3中“潜在意图推理”的运作机制： 1. 首先，通过三种不同粒度的重建任务（单段、多段、全轨迹），将冗长的显式思维链压缩成一组紧凑的潜在意图令牌。这些令牌能够忠实地编码原始的推理信息。 2. 然后，这些潜在令牌被整合到一个混合模态推荐基础模型中，该模型结合了自然语言文本和语义ID来理解用户意图和物品特征。 3. 最后，通过强化学习（GRPO），模型根据实际的在线业务奖励（如CTR）来优化其策略，使得潜在意图的推理更加有效，从而提升推荐系统的性能。

简而言之，该方法通过“压缩-内化-优化”的流程，解决了显式推理效率低下的问题，使得推荐系统能够更高效、更智能地进行推理和推荐。

Table 4 : The three alignment tasks on a running example (a badminton-equipment expert), each a choice of the masked set 𝒥 \mathcal{J} . Latent tokens replace the segments they encode, and the model reconstructs the masked segments R 𝒥 R_{\mathcal{J}} from the surrounding context. The gray anchors x x and y y mark the input and output, whose specific content is omitted here. Table 5 : Training data mixture in Stage 1. Table 6 : Online A/B test results comparing RecGPT-V3 against RecGPT-V2 baseline across item and feed scenarios. All metrics show relative percentage improvements (% omitted). Table 7 : Human evaluation of memory unit quality. “Behavior Pattern” measures whether the assigned pattern identifier correctly categorizes the user’s behavioral cluster; “Behavior Index” measures whether the representative indices correctly point to interactions belonging to the identified pattern. Table 8: User-modeling compute cost with and without the memory hub, expressed relative to the RecGPT-V2 baseline. Figure 6 : General capability evaluation across four benchmarks. The hybrid-modal foundation model ( w/ General-Domain Data ) preserves most of the backbone’s capabilities, while removing general-domain data ( w/o General-Domain Data ) leads to catastrophic collapse. Figure 7 : SID–text semantic alignment across four bidirectional translation tasks. Table 9 : Downstream recommendation quality comparison. Table 10 : Post-training effectiveness comparison. The upper group evaluates reasoning on the base language model; the lower group evaluates on the hybrid-modal foundation model. “–” indicates metrics not applicable to configurations outside the online feedback pipeline. Table 11 : Inference efficiency comparison between explicit CoT and latent reasoning on 1,000 samples under identical hardware. “Output Length” denotes the average number of tokens generated per sample, including reasoning and final output; “Input/Output TPM” denotes the tokens-per-minute throughput during prefill and decoding, respectively; “Total Time” denotes the wall-clock time to process all samples. Table 12 : Comparison between text tags and SIDs on category-level statistics. Figure 8 : PCA visualization of item embeddings retrieved by text tags and SIDs. Table 13 : Item-level hit rate under text tag, SID, and hybrid retrieval configurations. Figure 9 : Case study. The memory hub compresses a user’s raw behavior sequence into structured preference units and incrementally updates them with recent behaviors. Based on the curated memory, RecGPT-V3 performs latent intent reasoning with only 10 tokens, reconstructs an explainable rationale on demand, and generates memory-driven badminton recommendations grounded by SIDs.

这张图是论文《RecGPT-V3 Technical Report》中的Figure 6，标题为“General capability evaluation across four benchmarks”，即“四个基准测试的通用能力评估”。它展示了RecGPT-V3的基础模型（hybrid-modal foundation model）在不同数据配置下的性能表现。

图中的主要组件包括：

  1. X轴（横轴）：代表四个不同的基准测试任务，分别是：

    • GSM8K：一个数学推理基准测试，通常涉及小学水平的数学问题，需要多步推理才能解决。
    • MMLU：大规模多任务语言理解基准测试，评估模型在多个学科领域的知识和推理能力。
    • CMMLU：另一个多任务语言理解基准测试，可能更侧重于特定领域或文化背景的知识。
    • IFEval：可能是指某种信息检索或评估相关的基准测试，具体细节需参考论文，但从图中结果看，它评估的是模型在特定任务上的准确性。

  2. Y轴（纵轴）：代表“Accuracy (%)”，即准确率（百分比）。这衡量了模型在每个基准测试任务上正确回答或完成任务的比率。

  3. 图例（Legend）：解释了不同颜色柱状图的含义：

    • 蓝色柱状图（Qwen3-14B）：这可能是一个基线模型，或者是RecGPT-V3的某个早期版本或核心模型，未经过特定数据增强。它在所有四个基准测试上都表现出较高的准确率。
    • 橙色柱状图（w/ General-Domain Data）：这代表使用了“通用领域数据”训练或增强的模型。这里的“通用领域数据”指的是广泛的知识数据，而非特定于推荐系统的领域数据。从图中可以看出，这个版本的模型在所有四个基准测试上的准确率与蓝色柱状图（Qwen3-14B）非常接近，甚至在某些任务上略有下降（如GSM8K和MMLU），但总体保持了相似的性能水平。
    • 黄色柱状图（w/o General-Domain Data）：这代表没有使用“通用领域数据”的模型。从图中可以明显看出，当移除通用领域数据后，模型在所有四个基准测试上的准确率都急剧下降，甚至接近于零（如在MMLU、CMMLU和IFEval上）。这表明通用领域数据对于维持模型的通用能力至关重要。

数据或信息的流动与解读：

这张图通过对比不同数据配置下模型在四个独立基准测试上的表现，来评估通用领域数据对模型通用能力的影响。读者可以从左到右依次查看每个基准测试的结果：

  • 在GSM8K任务上：Qwen3-14B模型的准确率为94.3%，而使用通用领域数据的模型准确率为92.7%，两者非常接近。然而，没有使用通用领域数据的模型准确率骤降至4.70%。这表明通用领域数据有助于维持模型在数学推理任务上的高性能。
  • 在MMLU任务上：Qwen3-14B模型的准确率为75.9%，使用通用领域数据的模型准确率为73.3%，略有下降但仍保持较高水平。而没有使用通用领域数据的模型准确率几乎为零（0.12%）。这强烈表明通用领域数据对于模型在多任务语言理解上的能力是不可或缺的。
  • 在CMMLU任务上：Qwen3-14B模型的准确率为80.5%，使用通用领域数据的模型准确率为76.0%，同样略有下降。而没有使用通用领域数据的模型准确率几乎为零（0.01%）。这与MMLU的结果类似，进一步证实了通用领域数据的重要性。
  • 在IFEval任务上：Qwen3-14B模型的准确率为81.5%，使用通用领域数据的模型准确率为75.6%。而没有使用通用领域数据的模型准确率仅为23.3%，虽然比前两个任务略高，但仍然远低于使用通用领域数据的模型。

结论：

这张图清晰地揭示了通用领域数据对于维持RecGPT-V3基础模型通用能力的重要性。具体来说：

  • 保留能力：当模型使用通用领域数据（w/ General-Domain Data）时，其性能与基线模型（Qwen3-14B）非常接近，表明通用领域数据的加入并没有显著损害模型的原有能力，或者说模型能够很好地利用这些数据进行通用推理。
  • 灾难性退化：当移除通用领域数据（w/o General-Domain Data）时，模型在所有四个基准测试上的性能都出现了“灾难性崩溃”（catastrophic collapse），准确率急剧下降至接近零的水平。这说明通用领域数据是模型保持其通用知识和推理能力的关键因素。

因此，这张图证明了RecGPT-V3的混合模态基础模型（hybrid-modal foundation model）在包含通用领域数据时，能够有效地保留其核心的通用能力，而缺乏这些数据则会导致模型性能严重下降。这对于确保推荐系统不仅擅长推荐物品，还具备一定的通用理解和推理能力非常重要。

Table 4 : The three alignment tasks on a running example (a badminton-equipment expert), each a choice of the masked set 𝒥 \mathcal{J} . Latent tokens replace the segments they encode, and the model reconstructs the masked segments R 𝒥 R_{\mathcal{J}} from the surrounding context. The gray anchors x x and y y mark the input and output, whose specific content is omitted here. Table 5 : Training data mixture in Stage 1. Table 6 : Online A/B test results comparing RecGPT-V3 against RecGPT-V2 baseline across item and feed scenarios. All metrics show relative percentage improvements (% omitted). Table 7 : Human evaluation of memory unit quality. “Behavior Pattern” measures whether the assigned pattern identifier correctly categorizes the user’s behavioral cluster; “Behavior Index” measures whether the representative indices correctly point to interactions belonging to the identified pattern. Table 8: User-modeling compute cost with and without the memory hub, expressed relative to the RecGPT-V2 baseline. Figure 6 : General capability evaluation across four benchmarks. The hybrid-modal foundation model ( w/ General-Domain Data ) preserves most of the backbone’s capabilities, while removing general-domain data ( w/o General-Domain Data ) leads to catastrophic collapse. Figure 7 : SID–text semantic alignment across four bidirectional translation tasks. Table 9 : Downstream recommendation quality comparison. Table 10 : Post-training effectiveness comparison. The upper group evaluates reasoning on the base language model; the lower group evaluates on the hybrid-modal foundation model. “–” indicates metrics not applicable to configurations outside the online feedback pipeline. Table 11 : Inference efficiency comparison between explicit CoT and latent reasoning on 1,000 samples under identical hardware. “Output Length” denotes the average number of tokens generated per sample, including reasoning and final output; “Input/Output TPM” denotes the tokens-per-minute throughput during prefill and decoding, respectively; “Total Time” denotes the wall-clock time to process all samples. Table 12 : Comparison between text tags and SIDs on category-level statistics. Figure 8 : PCA visualization of item embeddings retrieved by text tags and SIDs. Table 13 : Item-level hit rate under text tag, SID, and hybrid retrieval configurations. Figure 9 : Case study. The memory hub compresses a user’s raw behavior sequence into structured preference units and incrementally updates them with recent behaviors. Based on the curated memory, RecGPT-V3 performs latent intent reasoning with only 10 tokens, reconstructs an explainable rationale on demand, and generates memory-driven badminton recommendations grounded by SIDs.

这张图（图8）展示了文本标签（text tags）与语义ID（SIDs）在物品嵌入检索上的PCA可视化对比，核心是对比“使用通用领域数据训练的混合模态基础模型（w/ General - Domain Data，蓝色柱）”和“不使用通用领域数据的模型（w/o General - Domain Data，橙色柱）”在四类双向翻译任务（对应四个对齐任务：sid2title、sid2tag、title2sid、tag2sid）上的表现，以此验证混合模态模型的能力保留情况。

组件与数据流动/对比逻辑：

  • 横轴（指标）：分为上下两部分，上半部分是ROUGE - L（用于文本生成的相似度指标，衡量生成文本与参考文本的重叠度），下半部分是HR@30 (SID)（Hit Rate at 30，衡量基于SID检索时前30个结果中命中目标的比例，反映推荐/检索的准确性）。
  • 纵轴（任务）：四个任务分别是sid2title（从语义ID生成标题）、sid2tag（从语义ID生成标签）、title2sid（从标题生成语义ID）、tag2sid（从标签生成语义ID），代表文本（标签/标题）与SID之间的双向翻译能力，是混合模态模型“自然语言理解+物品接地（SID）”能力的核心体现。
  • 对比对象：每个任务下有两根柱，蓝色代表“使用通用领域数据训练的模型”，橙色代表“不使用通用领域数据训练的模型”。通过柱的高度（指标数值）对比，观察通用领域数据对模型能力的影响。

方法运作的体现（从结果反推方法逻辑）：

混合模态基础模型（w/ General - Domain Data）的设计目标是同时具备自然语言推理（处理文本标签/标题）和物品接地（处理SIDs）的能力。从图中结果看： - 对于sid2title和sid2tag（从SID生成文本）：使用通用领域数据的模型（蓝色）ROUGE - L略低于不使用的（橙色），但差距很小（如sid2title：0.1590 vs 0.1567；sid2tag：0.2867 vs 0.2909），说明模型在“从SID生成文本”的能力上，通用领域数据的影响有限，或模型本身已较好保留该能力。 - 对于title2sid和tag2sid（从文本生成SID）：使用通用领域数据的模型（蓝色）HR@30 (SID)显著高于不使用的（橙色）：title2sid中0.0842 vs 0.0773；tag2sid中0.0394 vs 0.0366。这说明通用领域数据帮助模型提升了“从文本（标题/标签）映射到SID（物品接地）”的能力，而“从SID生成文本”的能力受通用领域数据的影响较小（或模型在该方向的能力本就较强）。

结论：

混合模态基础模型（结合通用领域数据训练）在“文本→SID”的检索任务（title2sid、tag2sid）上，相比不使用通用领域数据的模型有明显性能提升；而在“SID→文本”的生成任务（sid2title、sid2tag）上，两者性能接近。这验证了混合模态模型的设计逻辑：通用领域数据有助于增强模型从自然语言（文本）到物品（SID）的接地能力，同时保留（或轻微影响）从SID到自然语言的生成能力，从而支持“自然语言理解+物品接地”的推荐推理范式。

Table 4 : The three alignment tasks on a running example (a badminton-equipment expert), each a choice of the masked set 𝒥 \mathcal{J} . Latent tokens replace the segments they encode, and the model reconstructs the masked segments R 𝒥 R_{\mathcal{J}} from the surrounding context. The gray anchors x x and y y mark the input and output, whose specific content is omitted here. Table 5 : Training data mixture in Stage 1. Table 6 : Online A/B test results comparing RecGPT-V3 against RecGPT-V2 baseline across item and feed scenarios. All metrics show relative percentage improvements (% omitted). Table 7 : Human evaluation of memory unit quality. “Behavior Pattern” measures whether the assigned pattern identifier correctly categorizes the user’s behavioral cluster; “Behavior Index” measures whether the representative indices correctly point to interactions belonging to the identified pattern. Table 8: User-modeling compute cost with and without the memory hub, expressed relative to the RecGPT-V2 baseline. Figure 6 : General capability evaluation across four benchmarks. The hybrid-modal foundation model ( w/ General-Domain Data ) preserves most of the backbone’s capabilities, while removing general-domain data ( w/o General-Domain Data ) leads to catastrophic collapse. Figure 7 : SID–text semantic alignment across four bidirectional translation tasks. Table 9 : Downstream recommendation quality comparison. Table 10 : Post-training effectiveness comparison. The upper group evaluates reasoning on the base language model; the lower group evaluates on the hybrid-modal foundation model. “–” indicates metrics not applicable to configurations outside the online feedback pipeline. Table 11 : Inference efficiency comparison between explicit CoT and latent reasoning on 1,000 samples under identical hardware. “Output Length” denotes the average number of tokens generated per sample, including reasoning and final output; “Input/Output TPM” denotes the tokens-per-minute throughput during prefill and decoding, respectively; “Total Time” denotes the wall-clock time to process all samples. Table 12 : Comparison between text tags and SIDs on category-level statistics. Figure 8 : PCA visualization of item embeddings retrieved by text tags and SIDs. Table 13 : Item-level hit rate under text tag, SID, and hybrid retrieval configurations. Figure 9 : Case study. The memory hub compresses a user’s raw behavior sequence into structured preference units and incrementally updates them with recent behaviors. Based on the curated memory, RecGPT-V3 performs latent intent reasoning with only 10 tokens, reconstructs an explainable rationale on demand, and generates memory-driven badminton recommendations grounded by SIDs.

这张图（图8）是PCA可视化分析，用于对比“文本标签（Text Tag）”和“语义ID（SID）”两种方式检索到的商品嵌入（item embeddings）在特征空间中的分布差异，核心是揭示不同检索方式下商品表示的相似性与区分度。

图中组件与数据流动逻辑

  • 横轴（X轴）和纵轴（Y轴）：是PCA降维后的两个主成分维度，数值范围分别约为-1.2到0.8（X轴）和-0.6到0.6（Y轴），用于将高维的商品嵌入映射到二维空间以便可视化。
  • 数据点：
  • 橙色圆点（Items (Text Tag)）：代表通过文本标签检索到的商品的嵌入向量在PCA空间的投影。
  • 蓝色三角形（Items (SID)）：代表通过语义ID（SID）检索到的商品的嵌入向量在PCA空间的投影。
  • 分布趋势：从图中可见，两种检索方式的商品嵌入点存在明显的空间重叠，但也有各自的集中区域。这意味着：
  • 文本标签和SID检索的商品在特征空间中有一定的“语义相关性”（重叠部分），说明两种方式都能捕捉到商品的部分共同特征；
  • 同时，两种方式的嵌入分布又有差异（橙色点和蓝色点的集中区域不同），反映出文本标签（自然语言描述）和SID（结构化标识）对商品的表示角度不同（文本更偏向语义描述，SID更偏向结构化索引）。

方法运作的揭示（结合论文背景）

RecGPT-V3的核心挑战之一是“标签到商品的信息瓶颈”（text-to-item information bottleneck）：自然语言标签在用户理解和商品匹配之间存在信息损失。这张图通过PCA可视化商品嵌入，直观展示了“文本标签”和“SID”两种检索方式的嵌入差异：
- 如果两种嵌入分布过于分散（无重叠），说明文本标签和SID对商品的表示差异大，可能导致“标签→商品”的匹配困难；
- 图中明显的重叠区域表明，文本标签和SID的嵌入在特征空间中存在语义对齐，这支持了RecGPT-V3的“混合模态推理”设计（同时用文本标签做语义推理、用SID做商品接地）——因为两者的嵌入有足够的相关性，能在统一的语义空间中进行交互。

结果与结论（对比与发现）

  • 对比对象：文本标签检索的商品嵌入（橙色点） vs. SID检索的商品嵌入（蓝色点）。
  • 坐标与分布：两种嵌入在二维PCA空间中均有各自的集中区域，但存在显著重叠。
  • 结论：文本标签和SID的商品嵌入在特征空间中具有语义对齐性（重叠部分），说明两种检索方式能在统一的语义空间中进行交互，为RecGPT-V3的“混合模态推理”（同时处理文本标签和SID）提供了基础——既利用文本标签的语义理解能力，又利用SID的商品接地能力，解决了“标签到商品的信息瓶颈”问题。

（注：图中“看不清或不确定的地方”按caption处理，重点解释可视化的核心逻辑：通过PCA展示两种检索方式的嵌入分布，揭示语义对齐性，支持混合模态推理的设计。）

Table 4 : The three alignment tasks on a running example (a badminton-equipment expert), each a choice of the masked set 𝒥 \mathcal{J} . Latent tokens replace the segments they encode, and the model reconstructs the masked segments R 𝒥 R_{\mathcal{J}} from the surrounding context. The gray anchors x x and y y mark the input and output, whose specific content is omitted here. Table 5 : Training data mixture in Stage 1. Table 6 : Online A/B test results comparing RecGPT-V3 against RecGPT-V2 baseline across item and feed scenarios. All metrics show relative percentage improvements (% omitted). Table 7 : Human evaluation of memory unit quality. “Behavior Pattern” measures whether the assigned pattern identifier correctly categorizes the user’s behavioral cluster; “Behavior Index” measures whether the representative indices correctly point to interactions belonging to the identified pattern. Table 8: User-modeling compute cost with and without the memory hub, expressed relative to the RecGPT-V2 baseline. Figure 6 : General capability evaluation across four benchmarks. The hybrid-modal foundation model ( w/ General-Domain Data ) preserves most of the backbone’s capabilities, while removing general-domain data ( w/o General-Domain Data ) leads to catastrophic collapse. Figure 7 : SID–text semantic alignment across four bidirectional translation tasks. Table 9 : Downstream recommendation quality comparison. Table 10 : Post-training effectiveness comparison. The upper group evaluates reasoning on the base language model; the lower group evaluates on the hybrid-modal foundation model. “–” indicates metrics not applicable to configurations outside the online feedback pipeline. Table 11 : Inference efficiency comparison between explicit CoT and latent reasoning on 1,000 samples under identical hardware. “Output Length” denotes the average number of tokens generated per sample, including reasoning and final output; “Input/Output TPM” denotes the tokens-per-minute throughput during prefill and decoding, respectively; “Total Time” denotes the wall-clock time to process all samples. Table 12 : Comparison between text tags and SIDs on category-level statistics. Figure 8 : PCA visualization of item embeddings retrieved by text tags and SIDs. Table 13 : Item-level hit rate under text tag, SID, and hybrid retrieval configurations. Figure 9 : Case study. The memory hub compresses a user’s raw behavior sequence into structured preference units and incrementally updates them with recent behaviors. Based on the curated memory, RecGPT-V3 performs latent intent reasoning with only 10 tokens, reconstructs an explainable rationale on demand, and generates memory-driven badminton recommendations grounded by SIDs.

这张图展示了RecGPT - V3在羽毛球装备推荐场景下的工作流程，清晰呈现了从用户行为处理到推荐生成的完整逻辑：

1. 行为输入与处理流程

  • Raw Behavior Sequence（原始行为序列）：展示用户的历史行为，如不同时间的点击、购买操作（例如2024.02点击YONEX Arcsaber 11，2024.05点击购物车并购买AOC 27 Gaming Monitor等）。这些是用户最初的行为记录，是后续处理的原始数据。
  • Structured Behavior Compression（结构化行为压缩）：对原始行为序列进行处理，将行为按类别（如[Tech]、[Badminton]、[Baby]）进行结构化整理，提取出用户的偏好模式（例如Tech类偏好RTX 4090、WiFi6等；Badminton类偏好YONEX NS9900LTD等）。这个过程是对原始行为的初步压缩和组织，时间标记为Dec. 2025，说明是阶段性处理后的结果。
  • Recent Behavior Sequence（近期行为序列）：聚焦用户近期的行为，如2026.01的点击购买Cherry Keyboard、2026.04的搜索77pro和购买YONEX Astrox Racket等。这些是用户最新的行为，用于更新用户记忆。
  • Evolving Memory Curation（进化记忆管理）：结合结构化行为压缩的结果和近期行为，对用户记忆进行增量更新。例如Tech类更新为Custom Keyboard + Foldable Phone；Badminton类更新为Astrox 77pro/110zz等；同时有保留（Retain）和新增（New）的行为类别。时间标记为Jun. 2026，体现了记忆的动态更新过程。

2. 推荐生成与意图推理

  • Memory - driven Recommendation（记忆驱动的推荐）：基于进化后的用户记忆，生成推荐的商品，如图中的可调式羽毛球拍支架、透气缓冲羽毛球鞋、户外便携羽毛球包、羽毛球比赛用球等。这些推荐是基于用户的行为记忆和偏好生成的。
  • Latent Intent Reasoning（潜在意图推理）：使用10个可学习的潜在token（\(z_1,z_2,\dots,z_{10}\)）来内化冗长的推理过程。这些潜在token可以被解码为可读的解释（Rationale Reconstructed from Latent Tokens），例如解释用户是严肃的羽毛球运动员，偏好进攻型打法，浏览过特定球拍后推荐进攻型球拍、维护工具，偏好YONEX原装产品并推荐最新款等。这个过程实现了高效的意图推理，同时保持可解释性。

3. 数据流动与方法逻辑

数据的流动顺序是：原始行为序列→结构化行为压缩→近期行为序列→进化记忆管理→记忆驱动的推荐和潜在意图推理。整个流程展示了RecGPT - V3如何从用户的历史和近期行为中提取偏好，通过记忆管理动态更新用户模型，然后利用潜在意图推理生成可解释的推荐理由和具体的商品推荐。这种方法解决了之前版本的问题，如通过记忆 hub 减少计算量（文中提到降低55.8%的用户建模计算），通过混合模态模型（文本标签和SIDs）实现高效的商品接地（item grounding），并通过潜在token实现高效的意图推理。

← → 翻页 · ↑ ↓ 滚动讲解 · Esc 退出