推荐系统 20 年来方法换了六七轮，但问题定义从未改变——始终是预测下一个 item。缺多样性、缺发现性、规则泛滥，根源都在这里。真正的范式改变不是换方法，而是重新定义问题：从 Next One 到 Next N。

覆盖 101 篇核心论文（58 篇工业界 + 43 篇学术精选），系统梳理 2022-2026 年生成式推荐从学术概念到工业主流范式的完整技术演进。以 TIGER、HSTU、OneRec 等里程碑论文为核心，深入分析 Semantic ID、模型架构、训练范式、推理增强、长序列建模等关键技术方向。

谜底就在谜面上。 "算法工程师"，做个语法分析，这是个偏正结构。"算法"是定语，"工程师"才是中心语。定语修饰中心语，中心语决定你的身份。 算法工程师核心能力就是"工程能力"。 就像策略产品、用户产品、B端产品——核心都是产品能力。前面的定语告诉你在哪个领域工作，后面的中心语才是你安身立命的东西。 定语决定你的赛道，中心语决定你的天花板。

我们先思考下，一个公司组织里，为什么需要 Leader，需要层级？任何一个超过几十人的组织都需要架构设计。这件事如此普遍，以至于我们很少追问：为什么需要组织架构？组织架构本质上在解决什么问题？ 表面上看，组织架构是在划分职责、分配资源、明确汇报关系。但如果往下挖一层，会发现一个有趣的视角：一个组织本质上是一个分布式信息处理系统。 外部信息进来，内部处理，输出决策和行动。组织架构定义的，其实是信息如何在这个系统里流动——谁产生信息，谁消费信息，信息经过哪些节点，在哪里被过滤，在哪里被聚合。

2017 年，Ilya Sutskever 读到《Attention Is All You Need》时，立即意识到”这就是我们需要的一切”。OpenAI 随即放弃了 RNN/LSTM 路线，全面转向 Transformer，催生出整个 GPT 系列。Transformer 的并行能力让他们得以实现一直相信的 Scaling 路径。八年后的今天，推荐系统终于走到了同样的路口。 2024 年之前，推荐领域有了 HSTU、TIGER 这样的工作，但大多数团队还在观望。2025 年，我观察到一个明显的转变：大家开始认真地把排序模型 Dense Scaling Up，搞生成式召回和端到端推荐。这很像 2017 年——当时大家忙着把 LR/GBDT/FM 切换到 Deep Model 和双塔，切换过程持续了一两年，之后再没人回头。我的判断是，2026 年将是推荐系统 All-In Transformer 的一年，不改变就落后。

最近陆续有了一些研究LLM中RL相比SFT更不容易造成灾难性遗忘的工作，清晰地支出是RL的On-Policy特性带来了参数的稳定，而SFT将模型参数推向与预训练分布差异很大的方向，导致了遗忘问题（如图，遗忘问题的衡量就是随着新任务的学习，旧任务的平均表现下降）。 这一清晰地结论，点亮了我对很多事情的理解，推荐系统原来孤立的问题也有可能连成一片，有了更深层次的支撑。 本文包括： • LLM领域，RL比SFT更不容易造成灾难性遗忘的工作解读 • 推荐系统是标准的off-policy 监督学习，（猜想）许多缺陷也应当由此而生

本文不是从系统优化角度谈复杂的模型的部署和优化问题，而是从行业成本角度，看线上推理多复杂的模型是可以满足成本及ROI要求的。 做一个假设： • 电商推荐行业，主要是更熟悉成本核算 • 部署标准的Transformer作为排序模型，参考OneTrans结构 • 参数规模对齐qwen2的系列模型，更直观看看能跑哪个尺寸

从精排切换成深度学习以来，工业界一直会把排序的模型结构研究切分成基本的两部分，序列处理和特征交叉，甚至有一些公司的排序组，下面都拆成两个Team分别处理行为序列和特征交叉。从最早的时候，比如序列用DIN来处理，序列就被压成了一个或多个向量表征，再参与与其他特征的交叉。我们可以理解成MLP(concat(DIN, Features))，发展到今天大多数的模型研究，还是分立地把MLP换成DCN，增加个LHUC，复杂化为Rank Mixer或Transformer，把DIN叠加MHA，直接换成Transformer，可以写成RankMixer(concat(Transformer, Features))。 从MLP(concat(DIN, Features))到RankMixer(concat(Transformer, Features))，本质没有变，就是序列处理和特征交叉是一个隐式的两阶段处理，序列被压缩到Vector Space才和特征发生交叉。而LLM的有趣之处，就是在Next Token Prediction利用到的交叉发生在词序列的Token Space之中，它能启发推荐排序模型的，就是每一个特征的交叉应该发生在用户序列的Token Space之中。

本周推荐系统研究围绕三条主线展开：生成式推荐从单点召回组件走向覆盖排序与推理的工业级框架；CTR 建模范式重新组织上下文单元以对齐真实决策过程；召回侧则在多兴趣与多模态的叠加下重新收敛效率与成本。 主线 1：生成式推荐从“解码物品”走向“统一生成与推理”。 腾讯的 TGR 将生成式范式推进到排序、端到端生成和推理注入三个方向，其中 CCFormer 在五个 A/B 场景取得显著提升；百度 ICGR 把查询意图一致性贯穿 SID 构建、SFT 与偏好优化全链路，线下 Recall@20 提升 21.7%。共同指向是——生成式推荐不再止步于“用模型替代索引”，而是开始重构排序与召回之间的边界。 主线 2：统一 CTR 模型开始以“上下文”为基本单元。 美团 UniCon 把请求上下文当作同质单元，统一历史与目标的结构，线上 RPM 提升 3.09%；字节 ReST 则在行为序列上验证了 LLM 式 Transformer 在基准上饱和后仍可沿推荐原生设计继续扩展。两篇的共同指向是——推荐特有的信号噪声与计算不对称需要架构级的重新设计，而非简单搬用 NLP 缩放法则。 主线 3：召回侧的成本意识回归。 Snap 的 SetMIR 把多兴趣召回建模为集合预测，用 presence score 动态削减 33% 的 ANN 查询；同一团队的 CAMIE 用单个多模态编码器替换碎片化的 I2I 检索栈；Mubadala 的 PULSAR 用两阶段池化索引把中位向量检索延迟降低 15.1 倍。三者的共同逻辑是——召回的性能度量不再只有准确率，查询预算和索引体积正在成为一等的优化目标。

生成式推荐进入"语义ID + 结构优化"深水区：今日多篇论文（HypRQ-VAE、EPIC）聚焦生成式推荐的 item indexing 与解码过程优化。HypRQ-VAE 首次将双曲空间引入语义 ID 学习以适配长尾幂律分布，EPIC 则在扩散去噪中引入显式物品级后验竞争解决部分 SID 歧义。共同信号是：生成式推荐正从"能不能生成"转向"如何生成得更准、更覆盖长尾"，双曲几何与后验条件化成为新抓手。; 蒸馏技术从"跨模型"走向"自蒸馏"与"任务语义迁移"：SelfDR 提出 LLM 自蒸馏框

生成式推荐从概念走向工业落地：今日多篇论文显示生成式范式正加速渗透工业推荐。腾讯 TGR 框架将生成式排序（GenRank）、端到端生成（GenRec）与推理注入（Reason）三路耦合推进，覆盖数亿用户；字节 ReST 则用推荐原生 Transformer 缩放行为序列建模，线上收入 +11.93%。生成式不再只是学术概念，已在精排、召回等核心环节产生可量化的业务价值。; 序列建模与 Transformer 的"推荐原生"改造成为竞争焦点：无论是字节 ReST 的 dual-gated att

生成式检索（Generative Retrieval）进入工业深水区：今日 5 篇高星论文中 4 篇聚焦生成式检索（ICEGR、CHAP、HF-SID、TAAL、MERIT），且百度、美团、阿里等大厂均有线上 A/B 验证。核心战场已从"能不能用"转向工程落地：CHAP 用残差级联将多步解码压缩为单步推理，TAAL 定位到 91.9%-96.6% 的检索失败发生在 beam search 前两步，HF-SID 在表示层修复地理/数值/结构保真度——推理延迟与 SID 信息保真度是当前落地的两大瓶