LLM推荐走向端侧与列表级优化：今日两篇论文分别从端侧部署（RecGPT-Mobile）和列表级对齐（BLADE）两个方向推进LLM在推荐系统中的应用。前者解决端侧推理成本与实时性，后者突破静态对齐的性能上限，共同指向LLM推荐从“能用”到“高效、精准”的落地路径。; 生成式推荐进入“软路由”时代：CapsID用胶囊路由替代传统硬量化，解决了语义ID生成中的边界坍塌和误差传播问题，在35M级工业数据集上召回提升9.6%。这标志着生成式推荐的核心瓶颈从模型架构转向了tokenizer设计，软路由+

生成式检索与RAG的工业化落地：今日多篇论文聚焦于将生成式范式（如LLM）应用于检索系统，从GenPOI的生成式POI检索到AutoRAGTuner的RAG管线自动化，再到利用思考轨迹（Thinking Traces）作为RAG语料库，表明业界正积极探索用生成式模型替代或增强传统检索流程，以解决复杂查询和上下文建模问题。; 从“检索”到“系统”的全链路优化：工业界论文（如Walmart的Unified Data Layer、Ant Group的AutoRAGTuner）不再局限于单一算法模块，而

频域分析与序列建模融合：今日多篇论文探索了在频域（FEDIN）或连续时间域（BST-CDSR）建模用户行为，以捕捉传统时序方法难以处理的周期性模式和兴趣衰减，为序列推荐提供了新的信号增强思路。; LLM 从“生成”走向“评估与攻击”：LLM 的应用场景从内容生成扩展到模型评估与安全测试。CRAFT 利用 LLM 生成对抗样本来攻击排序模型，而 BST-CDSR 则利用 LLM 提取时间语义，展示了 LLM 在推荐系统攻防与特征工程中的潜力。; ⚖️ 公平性与评估稳定性成为焦点：工业界和学术界均开

工业级系统优化与效率提升：今日多篇工业界论文（Meta、IKEA）聚焦于在不牺牲模型效果的前提下，通过系统级创新（如IEFF的弹性特征衰减）或训练数据优化（如IKEA的结构化负采样）来提升大规模推荐系统的迭代效率和资源利用率。这反映了工业界从追求模型复杂度转向关注工程效率与落地可行性的趋势。; LLM与推荐系统的深度融合与挑战：多篇论文（DynamicPO、IKEA、RIR综述）探讨了LLM在推荐系统中的应用，但同时也揭示了新的挑战，如偏好优化崩溃、零点击行为对线上效果的制约，以及LLM作为信息

如果要为 2026 年第 18 周挑一句话作为总结，那是：模型差距在收敛，能力差距却在扩大，差距的来源已经从"prompt 怎么写"转移到"模型外那一层怎么搭"。Codex 一周之内完成从编码 Agent 到通用工作平台的跃迁、Karpathy 在 Sequoia Ascent 给 Software 3.0 提供哲学锚点、Lin et al. 用 AHE 论文给"harness engineering"正式命名，三件事在同一周共振；Anthropic 把 Claude Code 企业日均成本估算从 $6 翻倍到 $13、GitHub Copilot 切换到 usage-based 计费，则在定价端反向印证 harness 已经成为主要成本中心。 研究界并不甘只做产品的注脚——RecursiveMAS 把多 Agent 通讯从文本传递推到潜在空间递归，Berkeley GEPA 让 reflection LLM 读完整 rollout 重写 prompt 击败 GRPO 10 个百分点，Apple 与 Oracle 各自给多 Agent 系统装上可信度量，HiddenBench 在 ICML 2026 揭穿前沿模型在分布式任务上 70% 的失败率。同期，Latent Space、HuggingFace、Stratechery 三方信号汇聚成一条共识：训练算力之后，推理与评估正成为下一道结构性瓶颈，Meituan、NVIDIA、Salesforce、Amazon、Hippocratic AI、Meta 同周交出六篇推理优化论文，Anthropic 的成本翻倍则是给这场"inference inflection"贴上的价签。 OpenAI 与微软七年合作关系正式松绑，AWS Bedrock Managed Agents 同步登场，多云时代被合同条款写死；NVIDIA、OpenBMB、智谱、Oracle 在多模态 Agent 模型这条线一周齐发四枪；ZenBrain、AgentCore、ObjectGraph、Synthetic Computers 把 Agent 持久记忆问题摆上学术台面；Computer Use 借助 DeepSeek 的视觉接地、Browser Use Box 与 Cua 的沙箱基础设施，从 demo 走向工程化基础设施。这是一周里五条主线同时发声的少数时刻。

2026-W17 的叙事可以用一句话概括：模型之间的表现差距在缩小，但生态壁垒在迅速升高。GPT-5.5 和 DeepSeek V4 在同周发布，但两者的竞争已不只在 benchmark 分数——OpenAI 用 Codex 编织了一个从模型到代理框架到应用层的一体化网络，而 DeepSeek 则用开源权重 + 1/10 价格策略 + 华为 Ascend 兼容，继续施加结构性压力。 另两条线索值得注意：一是编码 Agent 工具层正在成型——Claude Code 的 bug 复盘、OpenClaude 的多模型替代、Context Mode 的上下文优化，标志着行业从“能跑就行”进入“跑得好、跑得省”阶段；二是Agent 评估与安全开始获得严肃关注，微软的 DELEGATE-52 基准显示前沿模型在长文档编辑场景下平均损坏 25% 内容，IBM 的 DIVERT 框架则探索了更高效的用户模拟评估方法——这些信号表明，Agent 落地已从“能不能做”转入“怎么信任”。

本周 32 篇论文里有几条主线在同时推进。一是生成式推荐范式继续在工业链路里深挖——快手一家就贡献三篇，从 list-wise 重排到召回-排序统一再到 codebook 自适应，配合美团/英伟达的 KV cache serving 和华为的 RL 信号修复，把"生成式推荐能用，但 serving、RL、inference 顶不住"这条线一次性补齐。二是 LLM 推荐器的训练目标被拆开重做——Google 在 H-consistency 框架下证明 DPO 标准代理损失不一致并提出 SA-DPO，Meta 证明 GRPO+二元奖励等价于 AUC 优化并提出 Windowed Partial AUC，配合美团的潜在推理多因子分解和稀疏场景下"对齐够不够"的争论，质疑了"一个对齐目标走到底"的主流做法。三是 LLM 智能体在推荐系统的角色边界正在收敛——LinkedIn 的 schema-aligned 长期语义记忆、AgenticRecTune 的多智能体配置调优、Snap 的端到端趋势检测，三个工业落地都把 LLM 放在配置/记忆/趋势这类延迟不敏感、语义价值高的位置上，绕开了精排召回的实时性瓶颈。 基础设施侧 Meta 同时放出两篇系统论文——一篇 versioned late materialization 砍训练数据冗余，一篇 FreeScale 砍 256 卡分布式的计算气泡，明确支撑 HSTU/ULTRA-HSTU 的序列长度激进 scaling。LLM-检索-重排链路上则形成明显的"压缩派"共识：ResRank 把 passage 压成单 token、UAE 把 utility 信号蒸馏进 embedding、RRK 用多 token 压缩，统一指向"把推理预算从过 LLM 生成压到过一次相似度"。

LLM 加速与效率优化成为核心议题：今日多篇论文聚焦 LLM 在推荐系统中的推理效率问题。从生成式推荐的推测解码加速（PAD-Rec），到多向量检索的聚类与索引优化（TACHIOM），再到属性图构建中的 token 节省（Amazon），工业界和学术界都在积极探索如何在不牺牲效果的前提下，让 LLM 推荐系统跑得更快、更省。; 多智能体与自动化系统配置优化兴起：以 ByteDance 的 AgenticRecTune 为代表，利用 LLM 驱动的多智能体框架自动探索和优化推荐系统的全链路配置（预

LLM Agent 与推荐系统的深度融合：今日多篇论文（LinkedIn HLTM、ReaLM-Retrieve、FLR、ProMax）聚焦于如何利用LLM增强推荐系统。趋势从简单的“LLM生成文本”转向构建复杂的“推理-记忆-检索”框架，例如层次化语义记忆、自适应检索时机、多因子潜在推理等，旨在提升个性化、可解释性和推理能力。; 动态建模与多模态的精细化：推荐系统正从静态图或粗粒度时序建模，转向更精细的动态建模。TimeMM 通过时间谱滤波捕捉用户兴趣的非平稳演化，并区分视觉与文本模态的时序敏

生成式推荐全面渗透重排与召回：今日多篇论文（GloRank、RecoChain）将推荐问题从传统的“索引选择”或“向量检索”范式，转向基于语义ID的“Token生成”范式。这标志着生成式推荐正从单一的召回/排序模块，向统一全链路的架构演进，有望从根本上改变推荐系统的设计哲学。; 工业界聚焦训练基础设施效率革命：Meta的论文揭示了超长用户序列训练中“数据冗余”这一被忽视的瓶颈，并提出“延迟物化”范式。这表明当模型架构（如HSTU）接近天花板时，数据基础设施的优化成为提升模型效果的关键杠杆，是工业

生成式推荐进入精细化阶段：今日多篇论文（Pro-GEO, AdaSID, BITRec）聚焦于生成式推荐的核心表示——语义ID（SID）的优化。从单纯追求紧凑性，转向解决地理约束、多模态碰撞、行为强度差异等实际问题，标志着生成式推荐正从概念验证走向工业级精细化落地。; 系统与安全成为推荐算法新战场：随着模型复杂度提升，工业界开始关注推理效率（MTServe的层次化缓存）和分布式训练（FreeScale的计算气泡消除）。同时，LLM推荐系统的安全漏洞（PUDA攻击框架）也首次被系统性研究，提示算法

[生成式推荐与强化学习的深度融合]：今日多篇论文聚焦于如何更高效地训练生成式推荐模型。华为的ReCast和Meta的Objective Shaping分别从学习信号构造和优化目标对齐两个角度，揭示了RL在生成式推荐中的核心瓶颈与解决方案，并都取得了显著的线上或离线性能提升。这表明，RL+LLM推荐正从“能用”走向“好用”，精细化训练信号设计成为关键。; [检索与重排的端到端统一]：Alibaba的ResRank和Layer 6 AI的UAE都致力于打破检索与重排的边界。ResRank通过残差压缩