AI计算广告论文播报 2026-06-12：统一召回与归因绕过

这一期我们聊两件正在被工业界重新认真对待的事：单一表示能不能取代手工拼装的多阶段召回，以及预测准能不能等同于归因对。两篇论文，分别给出了肯定和否定的答案。

本期重点

• 统一可编辑的生成式召回（OneRetrieval: Unifying Multi-Branch E-commerce Retrieval with an Editable Generative Model）：快手把倒排、向量、协同三路召回收敛到一个生成模型，关键是用可解释属性位+预留空槽，让运营小时级加新词（比如突然爆红的 LABUBU）而不重训模型——这是过去倒排迟迟拆不掉的真正原因。
• 预测不等于归因（Forecasting Is Not Attribution: Localizing Decoder Bypass in Graph-Based Neural MMM）：作者用一组很狠的对照实验证明，无图、全连接图、真实因果图三种 MMM 的预测 MSE 几乎一样，但归因质量天差地别，并提出反事实扰动诊断 AR-CIG，戳穿了"MSE 漂亮就能指导预算分配"的幻觉。
• 三边市场的延迟反馈 RL（DoorDash 三边调度多智能体强化学习）：用离线 RL 在线适配多目标权重，与广告出价里的多目标权重调节高度同构，是值得放进案头的工程范式。
• 聚类索引的回归（Helmsman: Cost-Effective ANNS at Scale）：小红书证明在十亿级搜索/推荐/广告场景，聚类型 ANNS 在 SLA 约束下能比 HNSW 拿到更优性价比，重新打开了底层向量索引的选型空间。

今日趋势

• 工业排序栈正从"手工融合的多阶段"向"可联合优化的单一表示"收敛，OneRetrieval、Helmsman、PRISMR 在召回、索引、重排三个层面给出同一个信号。
• 商业系统中预测信号 ≠ 决策信号，归因可靠性与目标权重在线校正正在成为新的方法论焦点。

欢迎在评论区聊聊你手上的归因或召回模型，最近一次扰动测试结果如何。本期内容由 AI 自动生成，仅作研究参考，下周见。