0
0当模型侧的边际收益越来越薄，真正决定广告团队迭代速度的，是特征治理、知识沉淀、样本生产这些"管道活"能跑多快。今天三篇重点论文讲的都不是新模型，而是新流程。
本期重点
- 智能弹性特征渐变淡出（Intelligent Elastic Feature Fading）——Meta 把特征下线从 3-6 个月的重训练闭环压缩到周级，核心洞察是：真正伤模型的不是特征最终消失，而是中间那次剧烈分布跳变。渐变淡出让线上损失减少约 55%，对广告排序系统几乎即插即用。
- SiriusHelper：大数据平台 LLM 运维助手——腾讯把知识按"可直接执行程度"分四层金字塔，配合工单自动蒸馏为 SOP 回灌知识库，线上工单量降了 20.8%。分层知识库 + 工单蒸馏这套方案可直接迁移到广告投放诊断和客服场景。
- IKEA.com 稠密检索负样本挖掘（Negative Data Mining for Contrastive Learning in Dense Retrieval）——用商品分类体系构造结构化硬负样本，结合线上 A/B 验证负采样策略，对广告召回的负样本设计有直接参考价值。
今日趋势
- 带明显工业信号的论文约 31 篇，涉及电商搜索、大规模排序特征治理、企业大数据平台，真实系统经验类工作今天比较集中。
- Agent 方向 42 篇，话题从通用对话转向具体系统工程——运维助手、skill 审计、多 agent pipeline 粒度控制，落地味道明显加重。
附加知识点
本期还聊了 Off-Policy Evaluation（离线策略评估）：你手里只有旧策略日志，想知道新策略上线会怎样——核心是用新旧策略的概率比做修正。广告出价、预算、排序都依赖这套方法，论文里反复出现的 propensity、reweighting、doubly robust 说的都是这件事。
完整日报与论文列表见：GitHub 归档
欢迎在评论区留言交流。本期内容由 AI 自动生成，如有疏漏欢迎指正。
