2026-08-09

Meta 조사를 시작했다. Facebook, Instagram, Threads 세 지면을 다루었고, 서비스를 가로지르는 topics 노트 8개를 정비했다. 같은 날 한 다른 작업은 다음과 같다.

• Netflix 조사를 시작해 마무리하고, 기존 X·Meta 노트를 다시 검증했다.
• 매일 각 서비스의 신규 공개물을 확인하는 일일 배치를 만들었다.
• GenRec 원문을 다시 읽고 적대 검증해, 정본에서 빠져 있던 사실 두 개를 찾았다.

이 글은 작업 기록이다. 근거 등급과 인용문은 전부 정본인 services/와 topics/에 두었고, 여기서는 반복하지 않는다.

읽은 자료 — Meta

• Meta Transparency Center의 AI 시스템 카드
  • 카드 슬러그: fb-feed, fb-video, fb-reels, fb-feed-recommendations, ig-feed, ig-explore, ig-reels-chaining, ig-threads-feed
• engineering.fb.com과 ai.meta.com의 엔지니어링 블로그: Explore 2020·2023, Journey to 1000 models, UTIS(2026-01-14), IG Notifications 다양성(2025-09-02), SilverTorch, RankGraph-2, Andromeda
• 논문(전부 HTML 렌더링으로 읽었다): HSTU, ULTRA-HSTU, Wukong, InterFormer, DHEN, GEM, MARM, LLaTTE, DV365(KDD 2025), Epinet, MoL/h-indexer, HILL
• Meta IR의 실적 발표 트랜스크립트 Q1 2024 ~ Q1 2026, Widely Viewed Content Report Q4 2025
• 특허 US 10,345,993 B2(광고·오가닉 통합 랭킹), 형제 특허 US 9,729,495
• Adam Mosseri가 Threads 랭킹 변경 내역을 날짜별로 정리한 게시물, Meta 뉴스룸 글(Dear Algo, Your Algorithm)
• EU DSA의 VLOP(초대형 온라인 플랫폼) 지정 목록, Meta DSA 제출 문서(3자 호스팅 PDF, 검증 실패. 아래 '다음에 볼 것' 참조)

↑ 목차

새로 알게 된 큰 것 6개 — Meta

1. X와 Meta가 말하는 "공개"는 종류가 다르다. Meta는 설계를 공개했고 X는 설정을 공개했다. X의 후보 수는 소스 코드에서 확인한 정확한 값이지만, Meta의 후보 수는 시스템 카드에 실린 반올림 값이다. 무엇을 위해 공시했는지가 숫자의 형태에 드러난다.

2. 멀티태스크 결합식은 하나가 아니다. "멀티태스크 랭킹 = 가중합"이라는 통념이 Meta 안에서부터 깨진다.

   • Facebook Feed는 덧셈 형태인 Vijt = Σ w·Y를 쓴다(i는 포스트, j는 뷰어).
   • Instagram Suggested Posts 2020은 곱셈 형태인 (P_like)^w × (1−P_not_interested)^w를 쓴다.
   • Explore 2023은 음수항을 포함한 덧셈을 쓴다.
   • Notifications 2025는 곱셈 페널티인 Score = R(c)×D(c)를 쓴다.

   가중치를 정하는 방법도 갈린다. Facebook은 설문을 쓰고, Instagram은 offline tuning과 Bayesian optimization을 쓰며, X는 소스 코드에 적힌 상수를 쓴다.

3. Meta에는 통합 모델이 아직 없다. 오가닉 쪽과 광고 쪽은 서로 다른 계보에 속한다.

   • 오가닉 쪽은 시퀀스 트랜스포머 모델인 HSTU에서 ULTRA-HSTU로 이어진다.
   • 광고 쪽은 DHEN·Wukong·InterFormer에서 GEM으로 이어진다. 서빙은 MARM, 유저 모델은 LLaTTE다.
   • GEM과 MARM, LLaTTE 본문에 "HSTU"는 0회 나온다.

   자주 오독되는 Q4 2025 "consolidation" 발언은 광고 품질 모델을 두고 한 말이지, 오가닉을 두고 한 말이 아니다.

4. Meta가 공들인 엔지니어링은 인코더가 아니라 인덱스에 있다. X의 공개 문헌이 인코더를 보여 준다면, Meta의 공개 문헌은 인덱스를 보여 준다.

   • EBR(임베딩 기반 검색)은 ANN을 별도 서비스로 분리하지 않고, Boolean 역색인 안에 (nn <key> :radius <radius>) 연산자로 넣었다.
   • SilverTorch는 "index as model"이라는 방식으로 인덱스를 모델 서빙에 흡수한다.

5. 서빙 비용이 아키텍처를 결정한다. Instagram Explore가 two-tower(유저와 아이템을 각각 다른 타워로 임베딩하는 구조)를 고른 이유는 정확도가 아니었다. item tower의 출력을 캐시할 수 있다는 점이 이유였다. 이렇게 캐시를 쓰면 그 타워의 재학습 주기가 인덱스 재빌드 비용에 묶인다. 랭킹은 시간 단위로 파인튜닝하는데 item tower만 일 단위인 이유가 여기에 있다.

6. 다양성은 자료가 없다는 사실 자체가 발견이다. 메인 피드의 diversity와 dedup에 대해 Meta는 알고리즘 수준에서 거의 아무것도 공개하지 않았다(Threads는 0건이다). 유일한 예외가 2025년 Instagram의 알림 다양성 프레임워크인데, 이것은 피드가 아니다.

그 밖에 부수적으로 확인한 내용은 다음과 같다.

• Threads는 인프라를 100% 재사용하면서 랭킹 시그널은 100% 분리한 셈이다.
  • Threads 시스템 카드는 슬러그가 ig-threads-feed인데도, 본문에 실린 시그널 50개가 전부 Text Post App 네임스페이스에 속하고 Instagram은 0회 나온다.
• Threads는 EU VLOP로 지정되지 않았고, Threads API의 엔드포인트 9개에 피드 읽기가 없어서 랭커를 외부에서 감사할 수 없다.
• Facebook의 강등 유형은 2021년 약 24종에서 2025년 한 페이지 기준 4종, 다른 페이지 기준 7종으로 줄었다 추정. 2021년 발표문에는 개수가 없고 그룹명 3개만 있어서, 24종이라는 출발점이 추정이다(services/facebook.md). Meta 자신의 두 페이지가 지금 서로 어긋나 있다.
• Widely Viewed Content Report를 보면 미연결 콘텐츠 비중이 11.7%에서 15.2%로, 다시 41.0%로 뛰었다.
• Meta는 AI 추천 비율(Facebook 30%, Instagram 50% 이상)을 Q1 2024 이후로 보고하지 않는다.

↑ 목차

검증에서 뒤집힌 것과 새로 정한 규칙

적대적 검증을 2판까지 돌렸더니 실제 결함이 나왔다. 또 근거 규칙 두 가지를 새로 정했다.

• 조작된 인용문이 1건 있었다. Explore 2023 블로그에 없는 문장이 초안에 들어가 있었다: "offline replay tools along with Bayesian optimization tools…". "replay"라는 단어는 그 글에 0회 나온다. 실제 문장으로 교체했고, 이 인용을 쓰던 표와 요약 4곳도 함께 고쳤다.

• 수식의 첨자를 반대로 적었다. Vijt의 i와 j를 각각 뷰어와 포스트로 적었지만, i가 포스트다. 원문은 이렇게 쓴다: "for each post i, we estimate Yijt", "the post X_it toward viewer j".

• 없다고 단정한 주장이 반증됐다. "네 개 광고 블로그에 Llama 0회"를 근거로 "Meta가 말하는 LLM은 비유다"라고 썼다. 그런데 LLaTTE 논문은 이렇게 명시한다: "dense content embeddings produced by fine-tuned LLaMA models".

  • LLM을 표현(representation)으로 쓰는 것과, "LLM-style scaling law"라는 말을 아키텍처 비유로 쓰는 것은 서로 다른 이야기다. 노트가 둘을 뭉뚱그리고 있었다.

• 링크와 인용에서도 결함이 나왔다.

  • 접속된다고 적어 둔 페이지가 404였다.
  • Mosseri 인용 링크 하나는 홈으로 리다이렉트된다.
  • Clegg 2023 기사에 없는 문구가 그 기사의 인용문으로 실려 있었다.
  • 인용문 3건은 생략 부호가 결론을 바꾸는 자리에 놓여 있었다. 예를 들어 Q4 2025의 12% 개선에는 단서가 붙어 있어서, 모델 통합만의 효과가 아니다. 그 단서는 이렇다: "along with a series of back-end improvements".

• 새 규칙: 부재를 어떤 등급으로 적을지 오늘 정했다.

  • "페이지 X를 D일에 받아봤더니 Y가 없다"는 재현할 수 있는 1차 관찰이므로 관찰에 날짜와 대상을 함께 적는다.
  • "Meta가 Z를 공개한 적 없다" 같은 무한 부정은 추정으로 적고, 검색한 코퍼스가 무엇인지를 문장에 밝힌다.
  • 특정 커밋에 고정한 소스 코드를 grep한 결과만 확인으로 남긴다. 그 경우에만 코퍼스가 유한해서 전수 검색이 가능하기 때문이다.

• 새 규칙: arXiv PDF를 쓰지 않는다. WebFetch로 PDF를 받아 읽으면 없는 숫자를 지어낸다.

  • SilverTorch를 다룰 때 AWS 인스턴스 타입과 "Recall@100 >95%", "~40% infra savings"를 만들어 냈다. HTML판의 실제 값은 A100 40G와 Recall@20 +28.2%였다.
  • 앞으로는 arxiv.org/html/이나 ar5iv만 쓴다.
  • PDF로만 존재하는 주장은 확인도 부정도 하지 않고 미검증으로 남긴다.

↑ 목차

정본 반영 — Meta

Meta 조사 결과를 서비스 정본 세 개와 topics 노트 8개에 반영했다.

• services/facebook.md를 새로 만들었다: Vijt 공식, 지면별 후보 수, 강등 유형이 줄어든 경위, 광고 특허, Epinet 콜드스타트, dwell-time 정규화, DSA
• services/instagram.md를 새로 만들었다: 결합식 3형태, IG2Vec와 IGQL, Explore 2023 스케일링, DV365, 알림 다양성 공식, "연속 3개" 주장 반박
• services/threads.md를 새로 만들었다: Mosseri가 밝힌 날짜별 변경 타임라인, 시스템 카드 실측값, VLOP 미지정, API에 피드 읽기가 없다는 점, Dear Algo와 Your Algorithm
  • 시스템 카드 실측값은 헤드 10 / 시그널 50 / Instagram 0이다.
• topics/survey-signals.md를 새로 만들었다: 설문 신호가 랭커에 영향을 주는 4가지 방식(Meta 2021 / YouTube 2021 / Meta UTIS 2026 / TikTok USM 2024)
• topics/model-freshness.md를 새로 만들었다: 지면별 재학습 주기, 인덱스 신선도와 랭커 신선도가 비용 면에서 어떻게 다른가(인덱스는 도달 가능성, 랭커는 완만한 성능 저하)
• topics/multi-task-ranking.md: Meta 결합식 4종 표, 가중치 출처 비교, 헤드 수 19~22와 약 10을 서로 비교할 수 없는 이유
• topics/candidate-allocation.md: Meta 지면별 pass-0(경량 모델로 후보를 줄이는 첫 단계) 표, 광고와 오가닉을 공통 단위인 픽셀 높이로 인터리브하는 방식
• topics/feed-diversity.md: 자료가 없다는 사실을 발견으로 기록, 알림 다양성 공식, 반박 내용
• topics/embedding-retrieval.md: EBR의 역색인 하이브리드, SilverTorch, RankGraph-2, Andromeda와 HILL, IG2Vec와 IGQL, 캐시 가능성이 만드는 제약
• topics/sequence-transformer-ranking.md: HSTU 상세, ULTRA-HSTU, 광고 계보, DV365, 계보를 분리해서 보는 근거
• topics/llm-in-recsys.md: 표현으로 쓰는 경우와 비유로 쓰는 경우의 구분, LLaTTE

↑ 목차

같은 날 2부: Netflix 조사를 시작해 마무리하고, 기존 작업을 재검증하고, 일일 배치를 구축했다

↑ 목차

2부에서 읽은 자료 — Netflix

• TMIS 2015(Gomez-Uribe & Hunt): 고전 세대 시스템을 서술한 기준 문헌
• netflixtechblog: Foundation Model(FM, 2025-03), FM 통합 3모드(2025-11), GenRec(2026-07), 장기 만족 보상(2024), 아트워크 밴딧(2017), AVA(2018), 인터리빙(2017), FM-Intent(2025), 라이브 이벤트 전달(2025), Ads 파이프라인(2025), 2013 3계층 아키텍처
• about.netflix.com: Goodbye Stars Hello Thumbs(2017), Two Thumbs Up(2022), 새 TV 경험·대화형 검색 베타(2025), Upfront 2025
• 논문: Calibrated Recommendations(Steck, RecSys 2018), UniCoRn(RecSys 2024), GenPage(RecSys 2026), 1B 스케일링(2026, shadow), 라이브 콜드스타트(RecSys 2025), 임베딩 안정화(RecSys 2025), Artwork LLM post-training(2026, 연구)
• help.netflix.com 추천 문서, SIGIR 2019 검색 논문, AI Magazine 2021 초록

↑ 목차

새로 알게 된 큰 것 5개 — Netflix

1. retrieval 레이어가 없다. PVR(장르 행을 맡는 랭커)이 카탈로그 전체를 회원별로 정렬한다. 코퍼스가 수천에서 수만 규모라 브루트포스로 전부 채점하는 방식이 성립하기 때문이다. "어떤 ANN을 쓰는가"라는 질문 자체가 성립하지 않는 첫 표본이다.

   • 배분 문제는 아이템이 아니라 행 선택으로 옮겨 간다. 수만 개의 후보 행에서 약 40행을 고른다.
   • 2015년에 이미 비율로 배분하는 템플릿 방식을 버렸다.

2. 목적함수가 Σ w·P 같은 가중합 형태가 아니다. 컨텍스추얼 밴딧과 프록시 보상을 함께 쓴다.

   • 프록시 보상은 r(user,item)=f(play,complete,thumb) 꼴이다.
   • north star(최종 목표 지표)는 retention이다. 그런데 월 1회만 관측되는 신호라 직접 최적화를 포기하고 reward engineering 루프로 접근한다.
   • 지연된 피드백은 예측 모델로 메운다.

   가중합이라는 틀이 광고형 지면의 관행일 수 있다는 첫 반례다.

3. 업계에서 가장 구체적으로 재학습 주기를 공개했다. FM(회원 표현을 중앙에서 만드는 GPT식 시퀀스 트랜스포머)은 "월 단위 처음부터 사전학습 + 매일 파인튜닝"이다. 신규 아이템이 편성 일정에 맞춰 들어오는 카탈로그라서, 신선도 압력의 성격 자체가 UGC(사용자 생성 콘텐츠)와 다르다. 콜드스타트는 커버리지 문제가 아니라 프로모션 문제다(빌보드 incrementality 밴딧).

4. GenRec이 llm-in-recsys 노트의 3번 자리(LLM을 랭커로 쓰는 자리)에 있던 공백을 메웠다. 오가닉 랭킹 경로에 LLM이 들어갔다는 업계 최초급 1차 진술이다. X는 LLM을 심판으로, Meta는 피처 인코더로 쓰는 데 반해, 여기서는 LLM이 랭커 그 자체다.

   • 진술의 세부는 내부 LLM post-training, vLLM prefill-only, 트래픽 약 10%를 대상으로 한 4주 A/B에서 거둔 유의미한 승리다.
   • 원문은 이렇게 쓴다: "context window becomes our new 'feature budget'".

5. 다양성을 다루는 다섯 번째 방식은 calibration이다. calibration은 시청 이력의 장르 분포를 추천 리스트에도 보존한다(Steck RecSys 2018, 수식까지 공개되어 있다). 다만 배포했다는 진술이 없으므로 "Netflix가 이 방식을 쓴다"고 적으면 안 된다.

   • 다양성 자체는 행 선택 단계에서 다룬다("관련성+다양성 최적화").
   • 아트워크 개인화는 지각적 다양성을 조절하는 별도의 수단이다.

그 밖에 부수적으로 확인한 내용은 다음과 같다.

• 명시적 평점의 1차 출처를 확보했다. 이에 따라 survey-signals의 Netflix 절을 2차 보도 기반에서 1차 출처 기반으로 올렸다.
  • 확보한 내용은 2017년 thumbs 전환, 활동 200% 증가, % Match가 표시용이라는 점, 2022년 two thumbs다.
• 광고는 파이프라인과 타겟팅 상품만 공개되어 있고 랭킹 모델 공개물은 0건이다. 그래서 Meta에서 했던 것처럼 오가닉 계보와 광고 계보를 나누어 서술할 수 없는 상태다.
• 인구통계는 쓰지 않는다고 명시되어 있다.
• "Hydra"라는 통합 시스템 이름과 semantic ID(아이템을 의미 기반 토큰 열로 나타낸 식별자)를 쓴다는 설명은 1차 출처가 없다. 후자는 Spotify 발표와 혼동하는 경우가 흔하다.

↑ 목차

2부 재검증: 기존 X·Meta 노트에서 뒤집힌 것

X 노트에는 2차 적대 검증을 걸었고, Meta 노트도 2차 검증을 거쳤다. 결과는 X가 44 OK / 3 DEFECT / 3 MINOR, Meta가 58 OK / 4 DEFECT였다. 아래 내용은 전부 수정해 반영했다.

• x.md에 조작된 인용이 1건 있었다. "our decision not to release training data or model weights"는 2023년 블로그 아카이브 전문에 없는 문장이었다. 실제로 존재하는 문장으로 교체했다. 바꾼 문장은 recap README에 적힌 학습 데이터 비공개 사유다.
• x.md의 2023년 가중치 범위 서술이 틀렸다. "0.0~100.0, 음수 표현 불가"라고 적었지만 사실이 아니다. multi-task-ranking의 표까지 함께 고쳤다.
  • Report의 −20000..0처럼 음수 전용 범위 4종이 2023년부터 있었다.
  • 2025년 경계값은 2023년과 같다. 새로 생긴 신호가 아니다.
• x.md의 개수 집계가 틀렸다. "나머지 default 203개 전부 실제값"이라고 적었지만, 실제로는 173개 가운데 25개가 0.0이다. 결론의 방향은 유지하고 수치만 정정했다.
• facebook.md의 강등 유형 개수는 출처가 뒷받침하지 않았다. "약 24종"이라는 서술의 출처로 단 2021년 발표문에는 개수가 나오지 않는다. 등급을 추정으로 낮췄다.
• instagram.md에서 2건을 고쳤다.
  • 팔로워 수 인용의 3번째 문장이 현행 페이지와 달라서 다시 복사했다.
  • 원본성 복구 조건은 "최근 30일 콘텐츠 구성"이지 "위반 후 30일 경과"가 아니다.
• model-freshness.md의 RankGraph-2 인용에서 한 단어가 틀렸다. "constraining"이라고 적었지만 원문은 "filtering"이다.
• 사소한 수정도 세 건 했다.
  • bulk topic은 7개 "이상"이다(>6).
  • 50/50 인용의 출처를 더 정밀하게 밝혔다.
  • e414c17은 "187파일 변경"이다. 저장소 전체는 216파일이다.

netflix.md 자체에도 같은 방식으로 적대 검증을 걸었다. 결과는 54 OK / 결함 0 / 사소 3이었고, 핵심 수치는 전부 살아남았다.

• 살아남은 핵심 수치: 40행×75, 80%/20%, $1B, GenRec의 트래픽 10%·+1.6% MRR(평균 역순위)·40×, 월 단위와 일 단위를 겹친 주기, 200%, 2-6개월·200만/셀, 라이브 1억 디바이스/1분
• 사소한 3건도 반영했다.
  • FM 소비 3모드의 출처를 두 편의 글로 나누어 표기했다.
  • UniCoRn의 7%/10%에는 "오프라인 지표"라는 한정을 붙였다.
  • TMIS의 "이틀 전 데이터"는 실험 프로토콜의 예시이지 프로덕션 학습 주기를 말한 것이 아님을 명시했다.

↑ 목차

2부 정본 반영과 일일 배치 구축

Netflix 정본을 새로 만들고, Netflix에서 확인한 내용을 topics 노트에 나누어 반영했다. 또 매일 도는 일일 배치를 만들었다.

• services/netflix.md를 새로 만들었다. 세대 구분은 고전 2015-22 / 통합 2023-24 / FM 2025 / LLM-네이티브 2026이고, 모든 절에 근거 등급을 붙였다.
• topics/feed-diversity.md: 5번째 방식으로 calibration을 추가, 다양성을 재는 단위(리스트인가 페이지인가), 수식을 공개했다고 해서 배포한 것은 아니라는 점
• topics/candidate-allocation.md: "배분 레이어의 존재는 코퍼스 크기의 함수"라는 정리, 행 단위 배분, GenPage
• topics/embedding-retrieval.md: "retrieval 없음" 극단의 2번째 표본, 콜드스타트를 포기하는 방식(X의 TwHIN 0벡터)과 FM 메타데이터로 채우는 방식의 대비
• topics/model-freshness.md: FM의 월 단위와 일 단위 이중 주기, 신선도 압력이 아이템 유입 형태에 따라 달라진다는 점, 프리컴퓨트의 극단 사례
• topics/multi-task-ranking.md: 보상 함수로 보는 관점(밴딧), north star를 직접 최적화하지 않는 이유
• topics/sequence-transformer-ranking.md에는 넣지 않았다. Netflix FM은 GPT식 autoregressive 구조이고, X·Meta와의 비교는 netflix.md에 적었다.
• topics/llm-in-recsys.md: GenRec을 반영해 3번 자리의 주장을 수정했고, 코퍼스 크기와 LLM을 투입하는 지점의 가설을 넣었다.
• topics/survey-signals.md: Netflix 절을 1차 출처 기반으로 올렸다(thumbs, two thumbs, 온보딩 픽커).
• 일일 배치를 새로 만들어 pm2 cron에 등록했다. 매일 09:30에 각 서비스의 신규 공개물을 확인한다.
  • 신규 공개물이 있으면 분석하고, 정본을 갱신하고, daily에 기록한 뒤 푸시한다. 없으면 Slack으로 보고만 한다.
  • 스크립트는 scripts/daily-research.sh와 scripts/daily-research-prompt.md다.

↑ 목차

3부 반영: GenRec 원문 재독과 적대 검증 — Netflix

GenRec 블로그를 다시 받아 읽고 적대 검증을 걸었다. 기존 수치는 전부 살아남았지만 정본에서 빠져 있던 사실 두 개가 나왔고, 둘 다 이해를 바꿔 놓는다. 다시 읽은 계기는 "GenRec을 설명해 달라"는 요청이었다.

1. 채점 구조가 생성 방식이 아니다. LLM은 유저 표현을 만드는 인코더이고, 채점기는 여전히 임베딩 내적이다.

   • 원문은 이렇게 쓴다: "we extract a pooled hidden state h". 여기에 아이템 임베딩 eᵢ와 scoring head ϕ(dot product 또는 small MLP)를 적용해 sᵢ를 얻고 softmax를 취한다.
   • 백본과 헤드, 아이템 임베딩을 함께 학습한다.
   • prefill(프롬프트 전체를 한 번에 처리하는 단계)을 1패스만 수행하는 대상이 후보 하나가 아니라 후보 집합 전체인 것도 이 구조 때문이다.

   "LLM 랭커"를 semantic ID 기반 생성형 retrieval과 혼동하기 딱 좋은 지점이라서, llm-in-recsys.md에 경고 블록을 넣었다.

2. A/B 실험은 배치 연산 지면(추천을 실시간이 아니라 미리 일괄 계산해 두는 지면)으로 한정된다. 원문에 그렇게 명시되어 있다: "batch-compute recommendation surfaces".

   • 다만 글이 "실시간 지면에는 적용하지 않았다"고 쓴 것은 아니다. 그것은 우리 쪽 추론이므로 추정으로 분리했다.
   • X·Meta와 나란히 놓고 비교할 때 지면 성격의 차이를 지우지 말라는 ⚠ 표시를 해당 주장 옆에 달았다.

검증 과정에서 정밀화할 곳 3건도 함께 잡아냈다.

• 컨텍스트를 1/3로 압축했을 때의 "negligible degradation"은 오프라인 랭킹 지표에 한정된 이야기다.
• 40×와 +1.6%는 오프라인 MRR 진술에 묶어서 써야 한다. 프로덕션에서 대등하거나 앞선다는 쪽은 별도로 이렇게 적혀 있다: "10–40× ... depending on configuration".
• Limitations 절은 따로 없지만, 전망을 담은 문장이 여기저기 흩어져 있다(natural-language steering, 추천 이유 설명 등). 그래서 "GRPO가 유일한 미래 과제"라고 요약하면 틀린다.

2026-08-09 기준으로 GenRec 후속 글이 없어서, 롤아웃 여부는 열린 질문으로 남겨 둔다 관찰. 다만 netflixtechblog 인덱스가 JS로 렌더링되기 때문에, 이 확인은 검색 결과를 기준으로 한 것이다. 열린 질문 2개를 추가했다. 하나는 실시간 지면에 적용했는지 여부이고, 다른 하나는 후보 집합을 누가 생성하는가이다(글에 밝혀져 있지 않다).

↑ 목차

다음에 볼 것

↑ 목차