AI计算广告论文播报 06-18：把下游约束变成上游设计

这一期我们用一个判断串起当天最有分量的几篇工业论文：推荐与广告系统正在从「卷模型」转向「卷阶段间的接口」——让下游真正在乎的约束，反过来定义上游怎么做。

本期重点

• RankGraph-2：十亿节点图召回的全生命周期协同设计（RankGraph-2: Lifecycle Co-Design for Billion-Node Graph Learning in Recommendation）。Meta把图构建、表征学习与在线服务当作一条流水线一起设计，用离线PPR邻居+共训练残差量化聚类索引，把在线KNN换成簇队列查表，服务成本大幅下降，对广告召回与look-alike极有参考价值。
• ProfiLLM：用下游效用对齐的Agent式用户画像（ProfiLLM: Utility-Aligned Agentic User Profiling for Industrial Ride-Hailing Dispatch）。滴滴的工程巧思是让LLM在画像里同时输出可执行Boolean规则，用规则与生产模型融合后的AUC增量当效用代理，再自动构造DPO偏好对微调小模型；线上只查簇级embedding，几乎零延迟，是LLM落地毫秒级业务的好范式。
• 字节CUPED工程化实践（Ensuring Trustworthy Online A/B Testing）。从五个具体问题切入，把方差缩减方法在大规模A/B平台的可信落地讲透，决定的是商业化系统的迭代速度上限。

今日趋势

• cs.IR数量虽少，但RankGraph-2、JourneyFormer、SAERec拼起来正好覆盖工业推荐「召回-序列-意图」的纵向链路。
• LLM正在被工业界主动「降格」为可对齐、可审计的中间组件：要么用下游效用反向约束，要么把grounding抽离成独立可审计层。

欢迎在评论区聊聊：你手上的链路里，最该被重新设计的「阶段接缝」是哪一段？本期内容由 AI 自动生成，仅供研究参考。