0
0当模型不能再大、数据不能再合并，下一个增量来自哪里？今天两篇直接命中广告的重磅论文给出答案：用"中介层"——码本或统一解码序列——在合规与效率约束下榨出新红利。
本期重点
- FedMM: Federated Collaborative Signal Quantization for Multi-Market CTR Prediction——用双层 RQ-VAE 码本作为联邦传输介质，绕开跨市场 ID 不对齐和隐私限制，只共享"语义原型"就能把跨域兴趣信号注入 CTR 模型，AUC 提升显著且通信开销比 FedAvg 小 20 倍以上。对集团内多业务线数据不互通场景极具借鉴价值。
- Design Your Ad: Personalized Advertising Image and Text Generation with Unified Autoregressive Models——京东出品，首次把广告图文联合生成与个体级多模态偏好建模做到一个自回归模型里。亮点包括前景感知注入、粗到细 token 级偏好去噪，以及专为广告背景风格设计的 PBS 评估指标。附带百万级数据集 PAd1M。
- Test-Time Compute for Dense Retrieval——不动冻结 embedding，用 Agent 在测试时生成检索程序增加算力。思路与 FedMM、Design Your Ad 一脉相承：在核心模型外围加一层结构化中介来释放增量。
- Very Efficient Listwise Multimodal Reranking for Long Documents——在长文档多模态场景把 listwise 重排做效率减法，为工业搜索精排补齐工程化能力，方法回归 listwise 与多阶段而非纯端到端 LLM。
今日趋势
- 广告与推荐正从"单模型单任务"向"跨域协同 + 生成式表达"演化：CTR 走联邦多市场、创意走统一生成、推荐走 LLM 层级语义对齐。
- 直接命中广告的论文信号偏弱（仅 2 篇），但 Agent 化推荐、listwise 重排、生成式推荐记忆增强等外围工作正在补齐"检索-粗排-精排"全链路的工程化能力。
以上内容由 AI 基于当日 arXiv 论文自动筛选与生成，如有疏漏欢迎留言指正交流。完整日报与论文列表见：GitHub 归档
