生成式推荐系统文章解读

交互式讲解 · 截至 2026 年 8 月

先回答你的两个问题

问题一

TIGER 是最早的生成式推荐论文吗？

不是。但它是这条路线上最重要的那块奠基石。

TIGER（Recommender Systems with Generative Retrieval，arXiv 2305.05065，2023 年 5 月 8 日，NeurIPS 2023） 自己的原话把功劳限定得很窄：

“据我们所知，我们是第一个使用语义 ID 表示为推荐系统提出生成式检索的工作。”

三个方向的工作都比它早：

• 2018–2020，工业界的推荐检索：阿里的 TDM（2018）和字节的 Deep Retrieval（2020）已经在做“给物品一串离散编码、用束搜索逐层解码”，而不是查向量索引。这是结构上最直接的祖先。
• 2020–2022，信息检索界的生成式检索：GENRE（2020.10）让模型直接“写出”实体标题；DSI（2022.02）提出了后来被反复使用的“语义结构化标识符”，用层次 k-means 把文档编码成一串数字。TIGER 的整体骨架就来自 DSI。
• 2022，把推荐写成语言任务：P5（arXiv 2203.13366，RecSys 2022）把评分预测、序列推荐、解释生成全部改写成自然语言序列，用一个语言模型统一生成。要说“第一篇生成式推荐”，P5 的主张比 TIGER 更早。同期还有阿里的 M6-Rec（2022.05）。

TIGER 真正的贡献是把 DSI 的层次 k-means 编码换成学出来的 RQ-VAE， 用它从物品内容里生成层次化的语义 ID，并证明了这套编码能迁移到从没有被点击过的新物品上。它把一个零散的想法变成了一个可复制的范式——之后三年几百篇论文都在改它。

问题二

生成式推荐和 LLM 推荐是什么关系？

两个交叉但互不包含的集合。最容易踩的坑是以为“生成式 = 要用大模型”。

TIGER 一共 1300 万参数，是一个从零训练的小 Transformer，全程不用任何大语言模型（只用一个冻结的句子编码器把商品文本转成向量）。 Meta 的 HSTU 有 1.5 万亿参数，也完全没有语言模型预训练。这两个都是最正统的生成式推荐，却都不是 LLM 推荐。

反过来，LLM 推荐里有一大块是“把大模型当特征抽取器”——用它生成用户画像、物品标签、语义向量，然后喂给传统排序模型。这类工作完全不生成任何物品标识符，因此不属于生成式推荐。

更麻烦的是，“生成式推荐”这个词在文献里有三个互不兼容的意思。第七节有一张可交互的关系图专门拆这件事。

一句话区分

生成式推荐问的是「输出形式是不是逐位生成一个物品标识符」；LLM 推荐问的是「用了什么模型、以及大模型在流程里的哪个位置」。两个问题正交，所以答案会交叉。

---

把“从货架上挑”换成
“直接把答案写出来”

这是一份关于生成式推荐（Generative Recommendation）的完整地图：它想解决什么、机制是怎么运转的、 从 2020 年到 2026 年中这条线是怎么长出来的、以及哪些结论已经站住了、哪些还在争。 所有专业词第一次出现时都会解释，虚线下划线的词可以悬停查看。

TIGER 参数量

13M

4 层编码器 + 4 层解码器，不含任何 LLM

TIGER 输出层宽度

1,024

与物品库大小无关（3 层 × 256 码字 + 去重位）

Meta HSTU 参数量

1.5T

同样不含语言模型预训练

快手 OneRec 运营成本

10.6%

相对被它替换掉的级联流水线（自报）

关于这份材料里的数字

所有工业线上指标都是企业自己在论文或技术博客里报告的，没有第三方复现或审计。同时，学术榜单上的很多提升在 2026 年被证明存在系统性高估（第八节详述）。看到百分比时请把它当作“该团队声称的量级”，而不是精确事实。

第一节

推荐系统到底在算什么

在讲“为什么要换范式”之前，得先把旧范式讲清楚。这一节不预设任何推荐系统背景。

核心任务：从千万里挑几十

你打开一个 App，它要在 200 毫秒内，从一个可能有上亿条内容的库里，挑出十几二十条放在你眼前。 这个任务有两个互相拉扯的约束：

• 要准：挑出来的东西你得真的想看。
• 要快：你不可能对上亿个物品逐个打分。假设一次打分要 1 微秒，一亿个物品就是 100 秒——比预算超了 500 倍。

整个推荐系统工程史，基本就是在这两个约束之间找结构。最经典的答案是级联漏斗：先用极便宜的方法把候选从上亿砍到几千，再用越来越贵的模型逐层精修。

级联漏斗：拖动看不同库规模下每一层的工作量

条形长度用对数刻度（否则第一层会把后面全部压成一根线），每层的真实数量标在右侧。

物品库规模 1,000 万

方法演进：四个台阶

“召回”这一层（把上亿砍到几千）是生成式推荐真正要动手术的地方，所以重点看它怎么演化的。

记住这三件东西，后面全靠它们

① 物品向量表（embedding table）：一张大表，每个物品占一行，存它的向量。库里有 1 亿个物品、每行 128 维，这张表就是 512 亿字节，约 48 GB。

② 向量索引（ANN index）：一个专门的数据结构，让你能在几毫秒内从上亿个向量里找出和查询向量最接近的几千个。它是训练之外单独构建和维护的一套系统。

③ softmax 宽度：模型最后一层要在“所有可能的物品”上做归一化，这层的宽度等于物品数。1 亿个物品意味着 1 亿维的输出层——这是训练时最贵的一块。

第二节

传统范式撞上的四道墙

生成式范式不是为了新颖而新颖。这四个问题在工业界都是真实存在、并且用传统方法很难绕开的。

墙 ①

物品向量表随库规模线性膨胀

每个物品一行向量，物品越多表越大。抖音、YouTube 这个量级，向量表可以吃掉模型 99% 以上的参数—— YouTube 论文里给的数字是：他们原来的生产模型只有 0.4% 的参数在神经网络里，其余全在向量表； 换成生成式的 PLUM 之后这个比例变成 90%。

后果不只是存储。参数全压在一张查表里，意味着模型的“智能”没地方长——你加算力，它主要用来记更多个体，而不是学更通用的规律。

墙 ②

新物品的向量学不出来（冷启动）

物品向量是从点击行为里学出来的。一个刚上架、零点击的新物品，它那一行向量就是随机初始化的噪声， 被检索到的概率接近零。而没被检索到 → 没有曝光 → 没有点击 → 向量永远学不出来。这是个自我锁死的循环。

YouTube 团队把这个问题说得很直白：随机哈希出来的物品 ID “阻止了相似物品之间的泛化”—— 两个几乎一样的视频，模型看不出它们有任何关系，因为它们的 ID 是两个无关的随机数。

墙 ③

漏斗每一层目标都不一样，误差层层累积

召回按“大致相关”训练，粗排按“可能点击”训练，精排按“点击率 × 时长 × 完播”训练，重排还要塞多样性和运营规则。 四个模型各有各的损失函数，没有一个在优化最终结果。

而且是不可逆的：召回丢掉的东西，后面再好的排序模型也救不回来。工业界为了缓解这个，往往要并行跑十几到上百路不同的召回通道，再用人工规则融合——复杂度和维护成本都在这里。

墙 ④

加算力不涨点——没有规模定律

这是最要命的一条，也是 Meta 那篇 HSTU 论文的核心动机：传统深度推荐模型（DLRM） “尽管有海量数据和上千个特征，却无法随算力而扩展”。你把模型翻十倍大，指标基本不动。

对比一下：大语言模型这十年最大的红利就是“算力换效果”这条路是通的。而推荐系统在 2023 年之前一直享受不到这个红利—— 它的能力天花板是由特征工程和向量表大小决定的，不是由算力决定的。

四道墙的共同根源

物品被表示成一个无内部结构的随机编号（atomic ID）。编号之间没有任何关系，所以：必须为每个编号单独存一行向量（墙①）、新编号无法从旧编号借力（墙②）、模型学到的全是个体记忆而非可迁移规律（墙④）。 生成式范式的全部出发点，就是把这个随机编号换成一个有结构、有语义的编号。

第三节 · 交互演示

范式对比：查索引 vs 写答案

同一个请求，两条路。点“开始”逐步走一遍，注意最后一栏的差异。

第 0 / 6 步

传统：双塔检索 + 向量索引

2016 → 今

—

生成式：直接解码物品标识符

2023 → 今

—

两种范式的结构性差异（不是效果好坏，是机制不同）

维度	双塔 + 向量索引	生成式解码
物品怎么表示	一个随机编号 → 查表得到一个向量	一串有语义层次的离散码字，如 (3, 1, 1)
怎么找到答案	算出一个查询向量，去索引里找最近邻	解码器逐位把码字“写”出来
输出层宽度	= 物品数量（1 亿 → 1 亿维）	= 码本大小（TIGER：1,024，与库大小无关）
需要独立索引吗	需要，ANN 索引单独构建维护	不需要，索引“长在模型权重里”
新物品怎么办	加一行随机向量，等它被点击才学得动	用内容算出码字，自动落进相似物品的桶
会输出不存在的东西吗	不会，只能从索引里选	会。TIGER 报告 top-10 里有 0.1%–1.6% 的无效 ID，需要额外约束
多样性怎么控	后处理、打散规则	解码温度、采样策略，天然可调
吃算力涨点吗	基本不涨（墙 ④）	HSTU 报告跨三个数量级的幂律；但语义 ID 路线是否也如此有争议

上表所有值可在第八节的争议清单里找到对应的支持与反对证据。

第四节 · 核心机制

语义 ID：给物品一个“有含义的邮编”

这是整条路线的技术心脏。下面这个演示跑的是真实的残差量化算法——20 个商品、8 个语义维度、3 层码本， 码本是用 k-means 真实训练出来的，所有距离和残差都是当场算的，不是画出来的示意图。

先讲清楚要解决什么

随机编号的问题是相邻的编号毫无关系。物品 #48213 和 #48214 可能一个是钢丝球一个是钢琴。 我们想要的编号应该像邮政编码：

邮编 100080→ 前 3 位定城市· 中间定区· 后面定街道

邮编 100080 和 100081 一定是邻居，光看编号就知道。如果物品编号有这个性质，那么：模型学会“这类用户爱看 (3,1,*)”， 就自动学会了所有前缀是 (3,1) 的物品，包括昨天刚上架、一次点击都没有的那个。墙 ①②④ 一起松动。

问题是：怎么自动造出这种编号？人工分类体系（家电 → 厨房小电 → 电饭煲）太粗、维护不动、也覆盖不了“送礼属性”这类跨类目的语义。 TIGER 的答案是 残差量化。

残差量化：三句话说完

1. 把物品的所有内容（标题、类目、品牌、价格、图片……）压成一个连续向量。
2. 准备 3 本“字典”（码本），每本里有若干码字（也是向量）。第 1 本里找一个最接近原向量的码字，记下它的编号； 然后算出没被这个码字覆盖掉的差值（残差）。第 2 本去逼近这个残差，再留下新残差；第 3 本逼近新残差。
3. 三个编号连起来就是语义 ID。因为每一层只负责“上一层漏掉的部分”，层次是自动出现的：第 1 位管大类，第 3 位管细节。

选一个商品，一层一层看它的语义 ID 是怎么算出来的

黄色 的三个是库里没有、模型从没见过的新商品——用来演示冷启动。

步骤 0

物品内容 → 连续向量

当前向量

向量长度 —

码本 1 · 4 个码字（真实 TIGER 用 256 个）

数字是该码字到当前向量的欧氏距离，小的赢。下方小柱子是码字自身的 8 维形状。

得到的语义 ID

—

每一层之后，残差越来越小（这就是“由粗到细”）

全库的语义 ID 树（真实计算结果）

可滚动。注意算法从没被告知“这是美妆”“这是厨房”——分组完全是从 8 维语义向量里自己长出来的。

从这个演示里能直接读出来的四件事

发现 ①

层次是自动出现的，而且分得对

第 1 位把 20 个商品分成了美妆个护 / 阅读学习 / 生活用品 / 电子科技四大类。 第 2 位在“生活用品”内部又分出了便携水具、厨房烹饪、运动装备。没有任何人工标注参与。

发现 ②

它抓的是语义，不是类目

电子书阅读器被分到了“阅读学习”而不是“电子科技”——因为它的语义确实更靠近书。 保温杯和运动水壶共享前缀 (2,1)，跨越了“厨房”和“运动”两个人工类目。这是人工分类体系做不到的。

发现 ③

新物品自动落进正确的桶——这就是冷启动的解法

「新款降噪耳机」从没出现在训练里，算出来是 (3,0,0)，和「降噪头戴耳机」完全同一个桶。 模型不需要为它新建任何参数，也不需要等它被点击——它一上架就继承了整个桶的用户偏好知识。

发现 ④ · 麻烦

碰撞：不同物品拿到同一个 ID

硬科幻小说 / 编程入门书 / 历史纪实读物三本书都是 (1,1,0)。TIGER 的处理是补第 4 位去重（+0/+1/+2）， 但这一位没有任何语义——它是个随机编号，墙 ① 又回来了一点点。2026 年这件事被证明比想象的严重得多，见第八节。

有了语义 ID 之后：推荐 = 逐位写出下一个编号

把用户历史也翻译成语义 ID 序列，任务就变成了一个纯粹的“预测下一串码字”问题——和语言模型预测下一个词是同一件事。

输入：用户看过的商品，翻译成码字序列

解码：一位一位往外吐，每步只在 4 个码字上做 softmax（真实系统是 256）

束宽 = 3：每步保留最有希望的 3 个前缀，其余剪掉。

为什么这件事很重要

输出层从「1 亿维」变成了「256 维，做 3 次」。整个物品库的信息不再存在一张查找表里， 而是压进了模型权重。这一步做完，推荐模型的形状和大语言模型变得几乎一样——于是所有 LLM 的工程红利（规模定律、 强化学习对齐、多任务统一、KV cache 加速）第一次变得可以直接搬过来。

这才是这条路线真正让人兴奋的地方，也是为什么 2024 年之后它从一篇论文变成了整个行业的方向。

展开：另一条不用语义 ID 的生成式路线（Meta HSTU 走的路）

Meta 的 HSTU 完全不做物品分词。它保留原来的物品 ID，但把推荐任务本身改写成“序列转导”： 用户的每一次行为（看了什么、停留多久、点了赞没有）都是序列里的一个 token，模型像语言模型一样自回归地预测下一个行为。

它换掉的不是“物品怎么编号”，而是“模型架构和训练目标”：从“对候选打分的判别模型”换成“对行为流建模的生成模型”。 也正因为如此，它绕开了语义 ID 的所有麻烦（碰撞、量化损失、分词器漂移），代价是墙 ①（向量表膨胀）依然存在。

所以“生成式推荐”内部至少有两条独立技术路线，它们共享目标但机制完全不同。第五节的方法卡片会并排对比。

第五节

四个代表方法，拆开看

这四个不是“最新的四个”，而是各自开辟了一条路的四个。每一个都被后面几十篇论文当作基线或起点。

四条路的定位

方法	它换掉了什么	物品表示	用 LLM 吗	规模	最大贡献	最大遗留问题
TIGER Google, 2023.05	召回层的检索机制	RQ-VAE 语义 ID	否（只用冻结句编码器）	13M	把“语义 ID + 生成式检索”做成了可复制范式；证明冷启动可迁移	碰撞、无效 ID、只在 3 个小规模 Amazon 数据集上验证
HSTU Meta, 2024.02	模型架构 + 训练目标	保留原始物品 ID	否	1.5T	第一次在推荐上做出跨三个数量级的规模定律，把“算力换效果”这条路打通	放弃了 DLRM 的交叉特征；向量表膨胀问题依旧；只披露过一个 +12.4% 的线上数字（2024）
OneRec 快手, 2025.02	整条级联漏斗	RQ-Kmeans 语义 ID	否（用多模态特征）	0.015B→8B	第一个端到端替掉「召回→粗排→精排→重排」并在真实大流量上跑赢的系统；把 RL 偏好对齐引入推荐	V1 有 97.66% 算力花在编码而非生成上，6 个月内就得重构；主 App 只承接约 25% 流量
PLUM YouTube, 2025.10	召回层 + 底层模型来源	SIDv2 语义 ID	是，Gemini 1.5 MoE	900M 激活	把预训练大模型和语义 ID 真正焊在一起并上了生产；证明“模型参数取代向量表”可行	依然只替换了召回，排序仍在实验；成本靠大量离线推理压下来

第六节 · 交互时间轴

研究脉络：2020 → 2026

五条并行的线。点任意节点看它的贡献和局限。横向可滚动。选出来的都是改变了后续方向的工作，不是全部。

前史 · 信息检索里的生成式检索 学术主线 · 语义 ID 生成式推荐 工业落地 · 规模化与端到端 LLM 推荐路线 反思 · 检验 · 负面结果

← 横向可滚动（已默认定位到 2023 年之后；向左滚动可看前史）→

把这条线压成五个阶段

2020–2022

概念成型（在检索，不在推荐）

GENRE 证明模型可以直接“写出”答案的标识符；DSI 提出层次化语义标识符并给出了后来通用的三分类； SEAL、NCI 补齐了解码和约束。同期 P5 / M6-Rec 把推荐改写成语言任务。所有零件都齐了，但还没有人把它们装成推荐系统。

2023

TIGER 定型，一年内三条独立路线撞车

TIGER（5 月 8 日）用 RQ-VAE 造语义 ID；三天后 Hua 等人用共现图谱聚类做了同一件事； 六周后同一个 Google 团队把语义 ID 上到了 YouTube 排序模型的生产环境。三条路同时通向“物品编号应该有语义结构”这个结论。

2024

规模定律被打通 + 分词器军备竞赛

HSTU 是分水岭：它第一次证明推荐能像 LLM 一样“吃算力涨点”，从此这个方向从学术兴趣变成公司战略。 学术侧则集中攻一个问题：纯内容算出来的语义 ID 丢掉了协同过滤信号——LETTER、EAGER、CoST、TokenRec 各给一个补法。

2025

端到端上生产，中国公司领跑

OneRec 把整条漏斗换成一个模型并跑到约 25% 流量；PLUM 把 Gemini 接上语义 ID 上了 YouTube 召回； 字节、美团、京东、小红书、Pinterest、Netflix 各自上线自己的版本。同时第一批负面结果出现：语义 ID 路线的规模定律可能会饱和。

2026

工业界全面铺开，学术界开始拆自己的台

这一年有两条完全相反的叙事同时成立。工业侧：几乎每家大厂都有线上系统，收益集中在效率（算力利用率 4.5% → 45–60%、成本降到原来 10–25%）而非指标； 学术侧：一批复现和测量研究指出，过去三年的榜单可能系统性高估——ID 碰撞让 Hit@10 虚高最多 103%， 语义 ID 只保留了原编码器 32.2% 的近邻结构，TIGER 在最后一层丢掉了 70% 本来能命中的目标。第八节展开。

第七节 · 交互关系图

生成式推荐 vs LLM 推荐

这一节专门拆一个长期混乱：“生成式推荐”这个词在文献里有三个互不兼容的意思， 而它和“LLM 推荐”既不是包含关系也不是等价关系。点图上任意区域看该区域里都有什么。

点击区域查看详情。虚线圈表示它和左边两个圈研究的根本不是同一件事，只是共用了“生成式推荐”这个名字。

五根真正有用的区分轴

不要按“是不是生成式”去分类，按下面这五个问题去问一篇论文，位置就清楚了。

问题	一端	另一端	为什么这条轴重要
输出是什么	给候选打分（判别式）	生成一个物品标识符（生成式）	这是 GR 的唯一定义。HSTU 和 TIGER 都在这一端，尽管机制完全不同
大模型在哪个位置	当特征抽取器，推理时不上线	它就是推荐器	决定了延迟和成本。有整整一类工作（LLMERS）存在的理由就是“把 LLM 从在线链路里赶出去”
物品怎么编号	随机编号 / 自然语言标题	语义 ID（层次码字）	标题在亿级库上不可行（会幻觉、编号太长）；随机编号没有泛化。语义 ID 是折中
用不用预训练世界知识	从零训练（TIGER、HSTU）	接在 Gemini / Qwen 上（PLUM、MiniOneRec）	这是最干净的一刀。它也解释了为什么“调优范式”那套分类法（提示 / 指令微调 / ICL）对 TIGER 完全不适用
能直接吃原始日志吗	能（HSTU、OneRec、PLUM）	要先把日志翻译成自然语言	翻译这一步是 LLM 推荐所有效率问题的源头

2026 年：在融合，还是在分道？

融合的证据

• PLUM（YouTube，2025.10）：把语义 ID 加进 Gemini 1.5 MoE 的词表，继续预训练约 2600 亿 token（一半用户行为、一半视频元数据）， 再针对召回微调。线上：Shorts 面板点击率 +4.96%。这是两条线焊死的最强证据。
• YouTube 团队自己的说法是训练一个「双语」模型——同时讲英语和“YouTube 语”。
• LC-Rec / LETTER（2023–2024）更早：把语义 ID 塞进 LLaMA 词表，只需增加约 1000 个 token。
• 其实 TIGER 从第一天就在用语言模型——它的语义 ID 是从 Sentence-T5 的向量上量化出来的。差别只是它不用 LLM 做推理。
• MiniOneRec（2025.10）在 Qwen 0.5B→7B 上做 RQ-VAE 语义 ID + GRPO，报告损失随规模单调下降。

分道的证据（同样硬）

• 规模曲线相反（arXiv 2509.25522，KDD 2026）：语义 ID 生成式推荐在约 1300 万参数就饱和， 把模态编码器从 7700 万放大到 110 亿几乎没有增益；而“LLM 直接当推荐器”不饱和，最高比语义 ID 路线的天花板还高 20%。
• 放大文本编码器基本无效（GRID，arXiv 2507.22224，Snap）：7.8 亿 → 110 亿，收益“只是边际的”； 而且更简单的 RK-Means 有时比 RQ-VAE 更好。
• 语义 ID 对 LLM 是外语（PrefixMem，2026.05，Pinterest）：现在的做法只是把语义 ID token 塞进词表让模型自己学， 但一个码字的含义依赖它的前缀——语义 ID 是一个需要专门编码器的模态，不是几个新词。
• 两种 token 会互相干扰（IDIOMoE，2026）：物品 ID token 和文本 token 共享参数时，语言信号和协同信号纠缠，两边都变差，必须做参数隔离。
• 让它“思考”反而掉点（arXiv 2602.16587）：在 OpenOneRec 这类模型上打开思维链，推荐质量最多下降 25%。 原因叫“语言惯性”——插入文字推理会让模型更依赖自然语言上下文、更忽略历史行为证据。

怎么理解这个矛盾

两边都对，只是在不同的量级上。把整个物品库压进 3 个码字，是一个有损压缩——库越大、模型越大，这个瓶颈越明显（这解释了饱和）。 但如果你本来就有一个 900M 的 Gemini 在跑、语义 ID 只是它的一种输入模态（PLUM 的做法），那瓶颈的位置就完全不同了。

所以 2026 年的实际状态不是“谁赢了”，而是语义 ID 从“核心机制”降级成了“一种物品表示方案”， 真正的主角变成了“一个足够大的序列模型 + 一个够用的物品表示”。

第八节

2026 年 8 月：真实状况

这一节尽量诚实。先看已经站住的东西，再看还没站住的。

已经确定的一件事：效率收益是真的，而且很大

翻遍所有公开的工业报告，最一致、最大、最少争议的收益不是推荐效果，而是硬件效率。 下面这个指标叫算力利用率， 它衡量你买的 GPU 有多少算力真的在干活。传统推荐模型普遍只有个位数。

算力利用率：换成生成式架构前 → 后

改造前 改造后

横轴 0–60%。空心（无灰条）表示该团队未公开改造前的数值。全部为企业自报。

这件事的意义比它听起来大。算力利用率从 4.6% 提到 23.7%，等于同样的机器能跑 5 倍大的模型—— 这才是“规模定律”在工业上真正落地的前提。快手报告 OneRec 单请求算力是原来的 10 倍，但总运营成本只有原来的 10.6%， 差额全部来自这个利用率的提升。同一个逻辑在 OneSearch（成本 −75.4%）、字节 RankMixer（100 倍参数、延迟不变）上重复出现。

线上效果：真实但不惊人

这里必须小心：不同公司报的是不同指标，条形长度之间不能直接比较。分开看两类。

内容消费与互动类指标

时长 / 点击率 / 互动，各家定义不同

商业化指标

GMV / 广告收入 / 成交量

每根条都直接标了数值；完整口径、场景和效率数字见下方「谁真的上了生产」表格。

读这两张图的正确方式

内容消费类的提升集中在 +0.3% 到 +1.5%；商业化类集中在 +2% 到 +4%（少数场景到 +8% 甚至 +21%，但那些通常是新场景或低基线）。 在成熟大流量业务里，+1% 时长是一个非常可观的成果——但它显然不是“ChatGPT 时刻”那种数量级的跃迁。 目前为止，生成式推荐给公司带来的最大价值是成本结构，其次才是效果。

谁真的上了生产

关键区分是：只换了召回一层，还是整条漏斗都换掉。绝大多数公司在做前者。

公司	系统	替换范围	线上结果（自报）	效率	状态

结构性观察：只有快手（OneRec）和腾讯（GPR）声称把完整级联换成了单一生成模型。快手给了数字（主 App 约 25% 流量），腾讯没给。 西方最大最详细的部署（Meta GEM/LLaTTE、YouTube PLUM）都保留了级联，只把生成式用在一层，或者当上游基础模型把知识蒸馏给下游的传统排序器。 Netflix 说三种接入方式都在生产，但一个绝对数字都没公开。Amazon 至今找不到任何可验证的生成式推荐生产系统。

还没站住的七件事（2026 年的争议清单）

下面每一条都有明确的论文支持和反对。这些是这个方向目前真实的开放问题。

如果只带走三句话

已经确定

“把推荐做成序列生成”这个架构转向是真的、不可逆的。 它让推荐模型第一次能吃算力、能用 RL 对齐、能统一多任务，并把算力利用率提高了一个数量级。 2026 年几乎所有头部平台都在这条路上。

仍在争

“语义 ID”是不是这个转向的必要零件，非常不确定。 Meta 用 1.5 万亿参数证明了不用它也行；测量研究显示它是一个比预想更狠的有损压缩（只保留 32.2% 的近邻结构）； 它自身还带来了碰撞、漂移、分布偏斜一整套新问题。

要打折扣

2023–2025 的学术榜单需要重新做。 碰撞让 Hit@10 最多虚高 103%，冷启动增益因为“规模、编码设计、训练策略同时变动”而无法归因， 而多篇工作报告在公平比较下调好的 SASRec 依然很难被超过。这不是说方向错，是说证据链比看起来薄。

附录

术语对照表

按第一次出现的顺序。左边是行业里实际的说法，右边是它到底在讲什么。

术语	英文	人话解释

关于这份材料：内容基于对公开论文、arXiv 预印本和企业工程博客的检索，覆盖到 2026 年 8 月初。 所有工业指标均为企业自报，无第三方复现。日期以 arXiv 首次提交为准。若某个说法存在分歧，正文里会同时给出双方。

主要来源