深度分析
快手團隊打造混合式 LLM 代理人架構，革新 CTV 推薦系統
傳統推薦系統難以整合趨勢話題等異質訊號，快手團隊提出 LLM 代理人推薦系統，專為 CTV 內容探索設計。系統採混合架構，由編排層協調主題檢索、媒體檢索與排序、主題排序三個代理人，LLM 處理推理任務，傳統 ML 處理延遲敏感排序。非同步快取機制成功克服 LLM 推論延遲，僅需修改提示即可整合新訊號。
生成式檢索
深度分析
MO‑DiT+HPPO：結合度量排序與混合政策偏好優化的生成式檢索框架
隨著平台越來越需要同時符合屬性與細緻樣式的檢索，研究提出MO‑DiT+HPPO框架，結合度量排序序列訓練與混合政策偏好優化，在四大屬性領域提升Joint@K指標，且保持樣式純度，顯示生成式檢索的可行性與效能。方法無需重新訓練或外部過濾，即可跨模型應用，降低開發者合規門檻。
深度分析
OneSearch-V2：以自蒸餾、鏈式思考與行為回饋優化生成式檢索
生成式檢索正改寫檢索與推薦場景，但現行系統對複雜查詢與個人化意圖理解有限。OneSearch-V2提出三項關鍵改進：以關鍵詞化思路擴充查詢理解、內化推理的自蒸餾訓練管線，以及以使用者行為回饋為核心的偏好對齊優化。離線與線上實驗顯示系統在點擊率、轉化率及訂單量上均有顯著提升，且不增加推論延遲。
深度分析
PAG在生成式檢索中的先行規劃：重現實驗與plan-drift壓力測試
生成式檢索面臨前綴修剪導致遺漏相關文件的挑戰。PAG透過同時解碼產生文件級的look-ahead先驗，將該先驗當作額外獎勵以引導trie約束的逐步解碼並減少早期剪枝。重現與壓力測試顯示在作者釋出資源下能復現效能，但規劃信號對詞彙變動與跨語言查詢相當敏感。