0
0当你把推荐模型的Transformer从两层堆到八层，离线NDCG还在涨，但前20%的热门商品却吃掉了七成五的推荐位——这期我们就来聊聊为什么"做大模型"反而让推荐系统更像一个热度排行榜。
本期重点：
- 放大Transformer会放大流行度偏置（The Pitfall of Scaling Up）：浙大与中科大的工作，把"越大越偏热门"这一反直觉现象拆解到注意力和FFN两个组件，并提出几乎零额外成本的SPRINT双正则方案，对广告排序模型的scaling路线特别有借鉴价值。
- 点积打分天然含秩一流行度分量（A Rank-One Popularity Component）：从群体最优角度证明任何点积+softmax解码器在长尾数据上都会自带一个log p(i)主成分，把过去归咎于Transformer的"表示退化"重新定位到解码器层面，并给出"把流行度从点积里拆出来当显式偏置"的优雅干预。
- URecJPQ：多模态推荐的显存压缩：把RecJPQ量化扩展到工业级多模态召回，用可控精度损失换显存大幅下降，是近期"模型与索引规模膨胀后系统瓶颈优先"趋势的一个代表样本。
今日趋势：
- 两篇推荐系统论文从经验现象与数学证明两条路径，共同把流行度偏置定位成"点积softmax + 长尾分布"的结构性产物，而非Transformer架构的锅。
- Agent方向明显从"能跑通任务"转向"可审计、可治理"，AgentRiskBOM、AI-SDLC协议语言与LLM-as-Judge类工作共同勾勒出一条"可信赖输出与可控过程"的方法论暗线。
留一个开放问题给你：如果流行度偏置真的是点积softmax加长尾数据的"出厂设置"，那未来五年我们在召回排序上做的所有架构创新，到底是在解决这个问题，还是在更花哨地复刻它？欢迎在评论区聊聊你的看法。
本期内容由 AI 自动生成，如有疏漏欢迎指正。
