今日最值得关注的是开源 AI 的「结构性推演」与「可审计性」两条线同时推进。Nathan Lambert 撰文推演「没有 Jensen 的开源 AI」,指出算力稀缺下开源权重远未商品化,闭源实验室凭模型-数据中心-芯片一体化反而占优。与此同时,研究者称可从模型权重统计推断训练硬件,指认 DeepSeek、Kimi 或用了受管制的 Blackwell;微软研究则显示改写不到 10 个神经元即可植入潜伏后门,常规评测全绿。产业侧,ASUS 发布首款工厂人形机器人 Gallop、松下组建约 250 人 Physical AI 团队,Google Cloud 第八代 TPU 用封装与安全而非新芯片做差
本周推荐系统研究围绕三条技术主线展开:序列编码算力的复用方式、生成式检索的合规生成、以及长尾与多目标约束下的可达性建模。 主线 1——基础模型范式从"端到端堆大"转向"分离复用": 字节跳动的 SepLRM 把多个端到端大推荐模型重组为一个 RFM(推荐基础模型)加多个垂直模型,以编码器最后一层的 KV 缓存作为共享接口,报告约 100% 的能力迁移率,并在两个大规模工业场景上线。部署在 FP&A SaaS 的 CascadeRec 用两级 LLM 重排级联,路由器只把可能受益于额外推理的请求升级到昂贵层,一个多月的生产 A/B 里推理成本降约 10%、无明显质量回退。两者的共同判断是:序列编码这件事不该被每个推荐阶段各跑一遍。 主线 2——约束解码成为生成式检索的一等公民: Uber Eats 的 LEGIT 把实时资格与去重规则转成两棵 trie 上的区间查询,每 token 开销从直接 GPU 实现的 5 倍压到约 1.7 倍;RoutingTrie(Google)在生产回放里把 Hit@100 从 67.5% 提到 96.1%,代价是 1.1 ms 延迟;淘宝闪购的 TS-GEAR 把地理可达性直接写进语义 ID 的生成目标,而不是事后过滤。 主线 3——长尾可达性与多样性的评估口径在收紧: ReSID(阿里巴巴)首次把长尾可达性拆到 SID 构建、解码、匹配三段分别分析,结论是同等码长下并行 SID 在尾部物品上稳定优于顺序 SID;快手的 KuaiRecV2 把多样性放进统一 rubric,要求精度、多样性、多任务指标同时提升才算有效进步。