1. MetaStrategy (Taobao) — LLM이 채점하지 않고 "랭킹 전략 JSON"을 뱉는다 — 레이더
자료 MetaStrategy: Generative Ranking with Executable LLM Strategies — arXiv 2608.09440, 2026-08-10, 논문 (Alibaba/Taobao, 저자 15인)
배경
지금까지 이 저장소가 추적하는 "LLM을 서빙 경로에 넣는 방법"의 프로덕션 진술은 두 계열이다. Netflix GenRec은 LLM 자체가 채점 함수가 되어 아이템에 스코어를 매기고 (services/netflix.md GenRec 절), Yandex Music Gryphon-v2는 LLM이 Semantic-ID 시퀀스를 생성해 retrieval+ranking을 한 번에 대체한다 (radar.md 이번 달 신규). 둘 다 공통점은 LLM이 온라인 서빙 경로의 실시간 함수라는 것이다 — 요청이 들어오면 LLM이 돌아야 한다.
Taobao MetaStrategy는 세 번째 각도를 낸다. LLM은 서빙 경로에 있지 않고, 랭킹 전략 자체를 짜서 배포한다. 요청 컨텍스트를 받아 "이번 슬롯에서는 목적 함수 가중치를 이렇게, 카테고리 선호를 이렇게, 위치 정책은 이렇게" 하는 typed JSON 번들을 만들어 내면, 결정론적 validator/compiler가 그걸 격리된 Generator로 인스턴스화해서 기존 인컴번트와 원자적으로 경쟁시킨다. LLM 추론은 요청과 동기가 아니다.
새로 알게 된 것
LLM이 뱉는 것은 스코어가 아니라 실행 가능한 정책 번들이다
[확인]— objective weights, content/category preferences, experience constraints, position policies가 담긴 typed JSON. Generator-Evaluator(GE) 아키텍처의 Generator 자리에 결정론적으로 컴파일돼 들어가고, list-level Evaluator가 인컴번트와 경쟁시킨다."a large language model (LLM) policy emits a typed JSON bundle controlling objective weights, content and category preferences, experience constraints, and position policies. A deterministic validator and compiler instantiate an isolated Generator that competes atomically with incumbents under the list-level Evaluator of the Generator-Evaluator (GE) architecture." — MetaStrategy 초록, 2026-08-10
LLM 추론은 nearline이라 동기 랭킹 RT에 영향이 없다
[확인]— Taobao 홈페이지 "Guess You Like"에 diff-triggered nearline generation으로 배포. LLM은 서빙 요청 밖에서 돌고, 컴파일된 전략만 온라인에 반영된다."We deploy MetaStrategy in Taobao Homepage Guess You Like through diff-triggered nearline generation; LLM inference remains outside synchronous ranking, with no observable increase in response time (RT)." — 같은 초록, 2026-08-10
7일 유저 랜덤화 A/B 결과
[확인]: 처리군 GE 콜의 27.93%를 MetaStrategy가 이김, click PV +2.11%, item-detail PV +3.12%, 거래액 +2.83%. 프로덕션 진술이다.훈련 파이프라인: production-path replay 환경(실제 로그된 요청을 유저 노출 없이 현재 re-ranking 스택으로 재실행)에서 정책을 학습한다
[확인]. reward는 selection·relative-rank·baseline-lift 세 종류를 조합. 자기 자신을 강한 경쟁자로 다시 넣는 self-competitive curriculum + Evaluator-routed on-policy distillation으로 4B teacher 두 개를 0.8B student로 압축."self-competitive curriculum that feeds frequent strategies back as competitors, and Evaluator-routed reward-augmented on-policy distillation that transfers complementary 4B-parameter Teachers into a compact 0.8B-parameter Student." — 같은 초록, 2026-08-10
정본 반영 없음. radar.md "이번 달 신규"에 새 엔트리로 추가했고, LLM-native 랭킹 오픈 스레드에 "GenRec/Gryphon과 다른 세 번째 각도" 한 줄을 붙였다.
의미 우리 LLM-in-recsys topic은 지금까지 LLM을 서빙 경로에 넣는 두 가지 방식(채점 함수/생성기)을 다뤘다. MetaStrategy는 LLM을 오프라인 정책 컴파일러로 두는 세 번째 방식을 프로덕션 진술로 낸다. 이 각도의 매력은 명확하다: LLM 지연이 사용자에게 노출되지 않으니 크고 느린 모델을 써도 되고, 출력이 typed JSON이라 기존 랭킹 스택의 결정론적 가드레일과 자연스럽게 어울린다. 반대급부는 LLM이 요청별 세부 맥락에 반응할 수 없다는 것 — 세션 내 실시간 인텐트를 읽는 능력은 GenRec/Gryphon 쪽이 강할 수밖에 없다.
같은 사흘 안에 Taobao에서 나온 DREAM이 그 반대급부(실시간 인텐트)를 다른 방식으로 풀어서 대칭이 흥미롭다.
2. PushDualGen (Kuaishou) — SID + 스킵 가능한 설명 텍스트 — SID 오픈 스레드 갱신
자료 PushDualGen: Enabling LLMs to Generate Semantic IDs with Interpretable Copy for Industrial Push Recommendation — arXiv 2608.07989, 2026-08-08, 논문 (Kuaishou, 저자 12인)
배경
Kuaishou는 프로덕션 LLM-native 추천을 공개적으로 밀고 있는 몇 안 되는 플랫폼이다. OneRec(SID로 end-to-end 유저 개인화)이 첫 세대, OneRec-Thinking(SID 생성 전에 CoT를 얹어 추론 흔적을 남김)이 두 번째 세대다. OneRec-Thinking의 문제는 자명하다 — CoT는 토큰을 많이 뽑고 추론 비용이 크다. 그래서 대규모 푸시 추천처럼 요청량이 큰 지면엔 부담이 크다.
PushDualGen은 그 자리를 채우는 세 번째 세대다. "SID를 뽑고 그 다음에 스킵 가능한 설명 텍스트(copy)를 붙여라" — 설명은 서빙에서 스킵할 수 있는 잔가지라 lightweight generator로 유지된다.
새로 알게 된 것
duo 생성: SID를 먼저, 설명 텍스트를 나중에
[확인]— 설명은 skippable, 즉 서빙에서 필요할 때만 생성. 이 구조가 CoT처럼 매 요청 비용을 지불하지 않으면서도 "왜 이 아이템이 추천됐나"를 추적 가능하게 만든다."PushDualGen, a lightweight generator, which first generates the SID and then produces a copy as a skippable explanation." — PushDualGen 초록, 2026-08-08
프로덕션 배포 진술
[확인]— Kuaishou 푸시 추천에 배포됨. 온라인 A/B에서 effective play rate 상대 +8.50%, 불만족률(dissatisfaction rate) 상대 −37.70%. 장기적으로 롱테일 비디오 노출도 개선."The effective play rate for videos recommended to users has relatively increased by 8.50%, while the dissatisfaction rate has relatively fallen by 37.70%. In the long term, PushDualGen optimises the content ecosystem, providing more exposure for long-tail videos." — 같은 초록, 2026-08-08
어제 HD-Rec과 함께 Kuaishou의 SID 확장 라인이 이틀 연속 통과했다. HD-Rec은 cross-domain SID(계층 코드북 + domain sparse MoE, 벤치마크만) — PushDualGen은 프로덕션 배포. 두 편은 같은 라인의 서로 다른 진화 방향이다.
정본 반영 없음. radar.md 생성형 retrieval / semantic ID 오픈 스레드에 "2026-08-12 추가 근거" 한 줄로 붙였다.
의미 Kuaishou가 SID 라인(OneRec → OneRec-Thinking → PushDualGen)을 세대별로 계속 공개한다는 신호가 강해진다. HD-Rec의 저자 라인(Ruiming Tang, Guorui Zhou, Han Li)과 PushDualGen의 저자 라인이 겹치는지는 확인 안 함 — 겹치면 하나의 팀이, 안 겹치면 회사 차원의 두 개 축이 SID를 밀고 있다는 이야기가 된다. 이 라인이 유지되면 Netflix GenRec만이 대규모 A/B로 검증됐다는 LLM-native 스레드의 초기 그림이 얼마 안 가 바뀌게 된다.
3. DREAM (Taobao) — 기존 파이프라인 위에 agentic 메타 제어 레이어를 얹는다 — 레이더
자료 DREAM Technical Report — arXiv 2608.09408, 2026-08-10, 논문 (Alibaba/Taobao, 저자 75인)
배경
기존 산업 추천 파이프라인의 고전적 병목: retrieval → ranking → re-ranking이 모듈로 쪼개져 있어 정보와 목적이 파편화되고, 규칙이 뻣뻣하고, 실시간 인텐트에 무감각하다. DREAM은 이걸 파이프라인을 바꾸지 않고 위에 얹는 정책 레이어로 푼다. 세 층 인텐트 엔진(L0/L1/L2)이 온디바이스 신호를 구조화된 인텐트로 압축해 클라우드로 올리고, MetaModel이 그 인텐트를 요약→전략 계획→파라미터 번역으로 M1-M2-M3 추론한 뒤, 파이프라인 파라미터를 조정한다.
새로 알게 된 것
엣지-클라우드 트리거 체인이 리포팅 볼륨을 ~8.7%로 압축
[확인]— 온디바이스 신호를 다 올리지 않고 트리거 조건으로 필터링. 클라우드 쪽 부담을 크게 줄인 게 배포 가능성의 전제.A/B 결과
[확인]: re-ranking 제어만 적용 시 IPV +2.06%, Core IPV +2.39%, GMV +0.88%. fine ranking까지 확장 시 각각 +2.71%, +3.06%, +1.31%, PV는 +1% 이상 일관 개선. 모델 교체 없이, 서빙 안정성 훼손 없이."Large-scale A/B tests on Taobao's homepage feed show that re-ranking control alone improves IPV by 2.06%, Core IPV by 2.39%, and GMV by 0.88%. Extending control to fine ranking raises these gains to 2.71%, 3.06%, and 1.31%, respectively... These gains require neither replacement of pipeline models nor compromise of serving stability, supporting agentic meta-control as a viable paradigm for industrial recommendation." — DREAM 초록, 2026-08-10
Reward Dual Loop: 오프라인 시뮬레이션(전략 공간 탐색) + 온라인 피드백(결과 보정) 이중 루프로 인텐트 엔진과 MetaModel을 동시 최적화
[확인].
정본 반영 없음. radar.md "이번 달 신규"에 새 엔트리로 추가.
의미 DREAM과 MetaStrategy는 같은 회사(Taobao), 같은 지면(홈페이지 피드) 근처에서 나온 두 접근이라 대칭이 뚜렷하다. MetaStrategy는 LLM이 정책 JSON을 nearline으로 컴파일해서 랭킹 스택 안에 부어넣는 방식, DREAM은 agentic MetaModel이 온디바이스 인텐트를 받아 파이프라인 파라미터를 조정하는 방식. 하나는 정책 컴파일러, 하나는 실시간 튜너다. 저자 명단이 상당 부분 겹치는 것으로 봐서(예: Chengyu Lai, Jiuning Lin, Bin Zhang, Han Zhu 등이 두 논문 공통) 같은 조직이 두 갈래로 실험 중일 가능성이 크다. 향후 두 접근이 하나로 수렴할지, 별도로 병렬 배포될지 지켜볼 만하다.
검증에서 뒤집힌 것
없음.
레이더
- 오늘 arXiv cs.IR 신규 30건 triage. 4건이 수용 기준 통과했다 (Alibaba 3 + Kuaishou 1). 같은 회사(Alibaba)에서 사흘 사이 세 편이 나온 건 흔치 않은 배치라 별도로 기록한다.
- MetaStrategy — 위 1번, radar.md 이번 달 신규에 새 엔트리, LLM-native 스레드 한 줄 추가.
- PushDualGen — 위 2번, SID 스레드 "2026-08-12 추가 근거" 한 줄.
- DREAM — 위 3번, radar.md 이번 달 신규에 새 엔트리.
- IntHQ (arXiv 2608.09634, 2026-08-10) — Amap(Alibaba 지도, 여행 추천). 생성형 추천에 multi-task를 융합하는 세 갈래(Dual-Stream Decoupling, Task-Interactive Modeling, Hierarchical Querying). 프로덕션 A/B에서 UVCTR +1.60%. 메커니즘 신규성은 상대적으로 낮다 — 이미 존재하는 generative + multi-task 조합을 정돈한 것에 가깝다. 그래서 radar 엔트리는 만들지 않고 daily에 기록만 남긴다. 같은 계열 논문이 더 쌓이면 승격 판단.
- 나머지 26건은 순수 학술 증분(RAG 최적화, 학술 retrieval, medical/legal/edu 도메인, POI, RISC-V ANNS 등)이라 탈락.
- 산업 블로그 스윕은 월요일 스캔 — 오늘(화)은 안 함. 다음 스윕은 2026-08-17(월).
다음에 볼 것
- MetaStrategy 본문 정독 — 4B teacher가 두 개인 이유(서로 다른 강점을 combine한다고 함), production-path replay 환경 구현, self-competitive curriculum 세부. LLM 지연이 nearline에서 얼마나 되는지도 초록에 없다. 심층 분석 필요 (사람이 트리거).
- DREAM 본문 정독 — 인텐트 L0/L1/L2 스키마, MetaModel M1-M2-M3 단계별 프롬프트/출력, 온디바이스 트리거 체인 세부. 75인 저자 규모라 팀 구조도 파악 필요. 심층 분석 필요.
- Kuaishou OneRec/OneRec-Thinking/PushDualGen 계보 정리 — HD-Rec까지 포함해 SID 라인이 두 편 연속 통과했다.
topics/llm-in-recsys.md에 Netflix GenRec과 나란히 놓을 절이 필요해지고 있다. 다음 산업 블로그 스윕(2026-08-17) 때 Kuaishou 엔지니어링 리소스도 훑기. - Taobao 홈피드 두 접근(MetaStrategy vs DREAM) 관계 재구성 — 두 논문이 같은 지면을 겨냥하는데 별개 팀인지 같은 팀의 두 실험인지 저자 리스트로 재확인. 겹침이 확인되면 topic 후보(정책 컴파일 vs 실시간 튜닝).