2026-08-13

오늘 함께 본 다른 변화는 다음과 같다.

• Netflix GenRec의 학술판 논문이 블로그가 밝히지 않았던 정량 수치(+0.006% 코어 지표, 손실 수식 등)를 공개했다.
• 자리 3, 즉 LLM을 랭커로 쓰는 자리의 지형이 하루 사이에 두 방향으로 뒤집혔다.
• Yandex Music이 스마트 스피커 지면의 통합 랭커 Sona 논문을 냈다(레이더).

1Meta가 유기 피드의 온라인 경로에 8B LLM을 넣었다(⚠ 주장 변경) — Facebook

그 문서는 LLM이 들어갈 수 있는 자리를 여섯 개로 나눈다: 콘텐츠 주석, 안전성 판정, 랭커 자체, 유저 관심사 요약, LLM-as-judge, 자연어 지시 파싱. 자리 3은 이 가운데 랭커 자체다. 그 문서가 자리 3을 비어 있다고 단정한 근거는 두 가지였다.

• Meta가 자체 시스템 GEM·LLaTTE·MARM을 다룬 블로그는 "LLM-scale", "LLM-inspired"라는 표현을 쓴다. 이 표현은 스케일링 곡선과 파라미터 수를 빗댄 비유일 뿐이고, 실제 랭커는 LLM이 아니었다.
• Meta 블로그에서 Llama라는 이름이 나오는 곳은 Groups Search의 오프라인 automated judge 하나뿐이었다. 그마저도 랭킹 적용은 "we plan to"라는 미래형에 머물렀다.

채점 함수 자체가 LLM인 GenRec과 달리, ConnectionMind의 LLM은 그래프 위의 경로를 JSON으로 출력하는 경로 추론기다. 서빙 계층에서도 하이브리드 구조를 택했다.

• 상위 5–10%에 해당하는 헤비 유저의 요청은 Llama 3.1-8B가 온라인 hot path에서 직접 추론한다.
• 나머지 90–95%는 Student GNN(증류로 만든 가벼운 그래프 신경망)이 서빙한다. 이 GNN은 그 LLM이 오프라인에서 찾아낸 meta-path(노드와 엣지의 타입이 이어지는 경로 패턴)로 학습된다.

이 배치 덕분에 "8B LLM이 실제로 온라인 hot path에 들어간다"는 진술과 "대다수 트래픽은 여전히 GNN이 서빙한다"는 진술이 동시에 성립한다.

• 모델 백본은 Llama 3.1-8B-Instruct이고, 배포까지 확인된다 확인 — §6.1

  • 실험에서는 3.2-3B와 3.1-8B를 모두 다뤘지만, 프로덕션에 넣은 것은 8B다.
  • 논문이 인용한 Meta 자체 시스템은 Fan et al. 2019(GraphRec) 하나뿐이다. 다른 Meta 자체 시스템인 HSTU·GEM·LLaTTE·MARM은 참고문헌에 등장하지 않는다.

• 하이브리드 서빙에서 LLM은 5–10% 코호트를 맡고, Student GNN이 나머지 90–95%를 맡는다 확인 — §6.1

  "The top 5-10% of most active users exhibit complex social graphs and high engagement velocity. For this cohort, requests are routed to the full ConnectionMind LLM. For the remaining majority of traffic, we employ an offline distillation pipeline. The LLM processes historical contexts to discover effective meta-paths. These paths are extracted to train a lightweight Graph Neural Network (Student GNN)." — ConnectionMind, §6.1 Hybrid Inference

• LLM이 그래프 위의 경로를 JSON으로 출력한다 확인 — §4.1
  • 상태 s_d는 "current paths, candidate next-hop edges, and compact textual node profiles"를 직렬화한 프롬프트 형태로 LLM에 입력된다.
  • LLM은 "a structured action with two components: path expansions and surfaced item–path pairs"를 내놓는다.
  • beam search나 constrained decoding은 쓰지 않고, format reward로 사후에 검증한다(§4.3).
  • 종료 조건은 "when 𝒫_{d+1} = ∅ or when the maximum depth D_max is reached"이다.
• 그래프에는 Groups와 Pages가 1급 엣지 타입으로 들어가 있다 확인 — §3.1
  • 스키마를 이루는 관계는 다음과 같다.
    • User–User(Friend, Similar)
    • User–Page(Follow)
    • User–Group
    • Group–Item(Share)
    • Page–Item(Post)
    • Item–Item(Co-watch, Semantic Similarity)
  • Instagram과 Threads에는 Groups·Pages에 해당하는 스키마가 없다.
• 학습은 SFT 다음에 GRPO를 적용하는 2단계 구성이다 확인 — §4.2-§4.3
  • SFT 단계는 BFS 최단경로를 teacher-forcing으로 학습시킨다. 논문의 표현으로는 "For each positive engagement (u,i⁺), we enumerate valid shortest paths from u to i⁺ in the sampled subgraph"에 해당한다.
  • RL 단계에서는 GRPO(DeepSeek-R1 계열)를 쓴다. reward는 format(−1/+1), F1 기반 recommendation, step-wise shaping을 합한 것이다.
  • reward 가중치는 α_rec=0.5·α_step=0.3·α_fmt=0.2이다.

• A/B 결과는 수천만 유저를 대상으로 여러 주에 걸쳐 측정됐다 확인 — §6.2 Table 2

  • 프로덕션 대비 상대 리프트는 watch time +0.43% ± 0.14%, exposure +0.33% ± 0.08%, video sessions +0.22% ± 0.13%다.

  "extensive A/B test on a massive user population (tens of millions of users) over a continuous multi-week period" — ConnectionMind, §6.2

• 오프라인 벤치마크는 Meta 데이터가 아니라 Delicious·Foursquare 공개 데이터셋을 쓴다 확인 — §5.1

  • 베이스라인은 TrustMF/GraphRec/MHCN/SEPT/DiffNet/DiffNet++/RecDIFF/SGIL/BIGRec으로 한정된다. LightGCN·PinSage·SASRec·HSTU처럼 강한 sequential/generative-rec 베이스라인은 빠져 있다.
  • Table 2에 실린 Recall@10 기준 "+88%" 리프트는 온라인 A/B가 아니라 학술 벤치마크의 오프라인 결과다.
  • 표 캡션이 온라인 결과와 오프라인 결과를 섞어 놓았으므로, 인용할 때 주의해야 한다.

1. 지면을 공개하지 않았다. 논문은 "large-scale personalized video recommendation in a social platform setting"(§3)과 "short-form video platform"(§6)까지만 밝힌다.
   • Facebook Reels 또는 통합 Facebook Video 지면일 가능성이 가장 높다 추정. 아래 세 가지가 모두 같은 방향을 가리키기 때문이다.
     • 그래프 스키마에서 Groups·Pages가 1급 관계로 들어갔다.
     • 주요 지표가 watch time과 video sessions다.
     • 2024 Q2 이후 Meta가 Reels와 롱폼과 Live를 단일 video recommendation service로 묶었다.
   • 다만 논문이 이를 확정하지 않았으므로 서비스명을 인용해서는 안 되고, "Meta short-form video platform"으로 인용해야 한다.
2. Meta 자체 시스템 인용이 0건이다. HSTU·GEM·LLaTTE·MARM이 참고문헌에 없고, 같은 회사의 다른 랭킹 라인과 어떤 관계인지도 논문 안에서 설정하지 않는다.
   • 별개 팀이 병렬로 진행한 실험일 수도 있다. 저자 5명이 Meta Menlo Park 소속으로만 표기되어 있어서, 어느 팀(Core Ranking / GenAI / Reality Labs)인지는 각주에서도 특정되지 않는다.
3. 서빙 비용은 전혀 공개되지 않았다. 8B LLM이 헤비 유저 hot path에서 실제로 어떤 SLO를 견디는지 논문 어디에도 나오지 않는다. QPS와 p99 지연, GPU 세대, 코호트 라우팅의 fallback 정책이 모두 빠져 있다.
   • "millisecond-level latency"라는 표현이 등장하기는 하지만, 이것은 Student GNN에 해당하는 서술이다.
   • Netflix GenRec의 서빙 계층 블로그가 vLLM·MSS·FSx pre-materialization·constrained decoding batch scaling까지 서술한 것과 크게 대비된다.
4. 오프라인 실험은 학술 벤치마크로만 이뤄졌고, Meta 데이터를 쓴 ablation은 없다. Delicious·Foursquare를 60/20/20으로 나눈 스플릿에 강한 sequential/generative-rec 베이스라인이 빠져 있어서 학술 비교의 신뢰도가 떨어진다. Meta 데이터에 근거한 진술은 프로덕션 A/B의 세 숫자뿐이다.

• services/facebook.md 랭킹 절에 "ConnectionMind — LLM이 그래프 경로를 추론하는 랭킹 레이어 (2026-08 논문, 프로덕션 A/B)" 소절을 새로 추가했다.
  • 소절에는 지면에 관한 caveat, 하이브리드 서빙 구조, LLM이 출력하는 형식, A/B 세 수치를 적었다. 공개되지 않은 항목은 열린 질문으로 옮겼다.
  • 출처 절에는 논문을 추가했다. 열린 질문에는 지면, 서빙 비용, HSTU와의 관계까지 3건을 새로 넣었다.
• topics/llm-in-recsys.md에서는 다음을 고쳤다.
  • 자리 3 표의 Meta 칸을 갱신했다.
  • 개요에 있던 "자리 3 공백은 Netflix가 깼다"라는 문장을 "Netflix가 처음 깼고 Meta가 두 번째"로 고쳐 썼다.
  • Meta ConnectionMind 케이스 절을 새로 만들어 Netflix 케이스 앞에 배치했다.
  • 프레이밍 검증 절의 결론 문장을 "1차 진술은 X·Meta 어느 쪽에도 없다"에서 "Netflix GenRec이 처음이었고 Meta ConnectionMind가 두 번째"로 다시 썼다.
  • "누가 이걸 쓰는가" 절의 Facebook Feed 행도 갱신했다.

• 이 저장소는 지금까지 "Meta는 LLM을 (광고) 피처 인코더와 오프라인 심판으로 쓴다. 유기 피드 랭킹 경로에 LLM이 들어간다는 1차 진술은 X·Meta 어느 쪽에도 없다"로 요약해 왔다. ConnectionMind가 이 가운데 두 번째 문장을 뒤집었다.
• 다만 뒤집힌 방식은 미묘하다. 랭커 그 자체는 아직 LLM이 아니고(GenRec처럼 백본을 LLM으로 교체한 형태가 아니다), LLM에 맡겨진 것은 그래프 위에서 수행하는 다중 hop 추론이다. 게다가 대다수 트래픽(90–95%)은 여전히 GNN이 서빙한다.
• 자료가 없다는 사실을 어떻게 읽어야 하는지에 관해서도 의미가 있다. 이 저장소는 오래 "Meta는 유기 피드 스택을 거의 안 공개한다 — 부재가 곧 미사용은 아니다"라는 caveat을 붙여 왔는데, ConnectionMind가 그 caveat이 옳았음을 확인해 줬다. 공개되지 않았을 뿐 Meta에 유기 피드 시스템이 실제로 존재하고 있었다는 뜻이다.
• ConnectionMind가 Meta 자체 시스템(HSTU·GEM·LLaTTE·MARM)을 하나도 인용하지 않았다는 사실은 같은 회사 안에서 랭킹 라인이 여전히 여러 갈래로 병렬 진행되고 있다는 신호일 수 있다. 이것이 조직 구조에서 비롯한 파편화인지, 서로 다른 지면과 서비스에 맞춰 최적화한 병렬 실험인지는 아직 확정할 수 없다 추정.

↑ 목차

2GenRec 논문이 블로그에 없던 정량 수치를 공개했다 — Netflix

이번 논문에는 그런 내용이 있다. 블로그와 명시적으로 모순되는 대목은 없고, 논문은 블로그의 정성적 서술을 뒤집는 대신 정량 세부 수치와 손실 함수 수식, 팀 구조를 덧붙인다.

• 온라인 코어 지표의 실측값이 처음 공개됐다 확인 — §5.1

  • 블로그는 "statistically significant win"이라고만 썼는데, 논문은 절대값을 제시한다.

  "For example, we observe a +0.006% relative improvement on our core online metric, which is statistically meaningful at Netflix scale." — GenRec arXiv, §5.1

  이 값이 유의미하다고 논문이 스스로 규정한 점은 인용할 때 중요하다. 절대값만 놓고 보면 작아 보이지만, 논문은 "at Netflix scale"이라는 단서를 함께 붙였다.

• 논문은 기반 LLM을 만드는 Phase 1과 그 위의 post-training인 Phase 2의 기여를 각각 분해했고, 그 비중은 시간 축이 결정한다 확인 — §5.3

  "Using the Phase-1 foundational LLM as the base model improves offline ranking metrics by the order of 10-20% compared with using an off-the-shelf LLM as the backbone." "Phase-2 post-training provides a further roughly 35-50% gain in offline ranking metrics when evaluated on the Phase-1 training cutoff date (i.e. when Phase-1 model is the freshest)." "the improvement rises to roughly 80% after two weeks" — GenRec arXiv, §5.3

  Phase 2의 상대 이득이 시간이 갈수록 커지는 이유를 논문은 "increasing staleness of the less frequently updated Phase-1 backbone"이라고 명시한다. Phase 1 백본이 상대적으로 낡을수록 Phase 2 post-training의 상대 가치가 올라간다는 뜻이다. 두 단계가 모두 필요하다는 블로그의 진술에 시간 축이라는 관계가 새로 더해졌다.

• 컨텍스트 압축의 구체적 예시가 나왔고, 서빙 비용도 1/3로 줄어든다 확인 — §5.4

  • 블로그는 "roughly one-third of the original budget"까지만 밝혔다.

  "the context length can be reduced to roughly a third of the original token budget (for example, from about 5,000 tokens down to about 1,700 tokens) with only negligible degradation in offline ranking metrics." "Since GenRec is largely compute-bound with serving cost approximately proportional to the context length, we observed the serving cost is reduced to roughly a third of original cost as well." — GenRec arXiv, §5.4

  5,000 토큰을 1,700 토큰으로 줄인 예시가 붙었다. 컨텍스트 압축이 품질 저하를 거의 일으키지 않으면서 서빙 비용까지 1/3로 낮춘다는 정량 주장도 새로 나왔다. 이 조합은 블로그의 정성적 서술만으로는 확보할 수 없었다.

• 손실 함수 수식이 처음 공개됐다 확인 — §4.4-§4.5

  "ℒ = α·ℒ_ranking + β·ℒ_language + γ·ℒ_miscellaneous, s.t. α+β+γ = 1, α,β,γ ≥ 0" "These labels are used in a cross entropy loss over the item catalog (or candidate set), teaching the model to produce a high-quality ordering of items given the verbalized context." "When the catalog is too large to score exhaustively, we can combine the scoring with sampled-softmax instead." — GenRec arXiv, §4.4-§4.5

  • 손실은 세 항의 볼록결합이다.
  • 랭킹 손실은 catalog(또는 candidate set) 전체에 대한 softmax cross-entropy이고, 카탈로그가 너무 클 때는 sampled softmax로 대체한다.
  • α/β/γ의 구체적 수치는 공개하지 않았다.
  • 추론할 때는 랭킹 헤드만 쓰고, LM 헤드는 학습을 정규화하는 용도라는 명시도 새로 나왔다.
  • 논문은 "future text generation use cases (e.g., natural-language explanations)"를 미래의 확장 방향으로 열어 두었다.

• 학습 데이터 스키마는 user/assistant 대화 형식이고, assistant 쪽에 engagement 원신호가 들어간다 확인 — §4.2

  "we transform a member's historical interaction data into a single-turn or multi-turn 'conversation' between a user and a recommender. Each turn pairs a user message (combining context, history, and a task) with an assistant message representing the member's actual engagement for that turn." — GenRec arXiv, §4.2

  • 블로그는 user message 쪽("verbalized context, profile, history, item metadata, and task")만 나열했다.
  • 논문은 assistant message에 실제 engagement(play, play duration, abandon, thumb, etc.)가 들어간다고 스키마를 공개했다.
  • positive label의 정의도 "high-quality engaged events (e.g., high-duration plays, strong explicit feedback), with denoising logic and thresholds that vary by content types"라고 명시했다.
  • 콘텐츠 타입별 임계값과 디노이징 로직이 존재한다. 구체적인 임계값은 공개하지 않았다.

• GRPO는 preliminary 실험에서 실제로 SFT를 앞섰다 확인 — §4.6

  • 블로그는 "higher cost 때문에 future work"라고까지만 썼다.

  "In preliminary experiments, RL-style methods (e.g. GRPO) showed additional gains over supervised finetuning, but their high training overhead makes them better suited for future work. Therefore, currently we adopt the reward-weighted loss approach as the main alignment mechanism for GenRec, due to its simplicity, stability, and cost considerations." — GenRec arXiv, §4.6

  시도해서 더 나은 결과를 얻고도 배포하지는 않았다. Meta ConnectionMind가 GRPO를 실제로 배포한 것과 대비되는데, 같은 알고리즘을 두고 두 회사가 정반대의 결정을 내린 셈이다.

• 데이터 스케일링 스윕을 수행했다 확인 — §5.2
  • Phase-2 데이터를 1x부터 20x까지 늘리는 실험을 ~1B와 ~10B 두 백본에서 각각 실행했다.
  • 양쪽 모두 monotonic 개선과 유사한 scaling pattern을 보였다. 절대 곡선과 기울기는 공개하지 않았다.

• 논문은 GenRec이 semantic ID(SID, 아이템을 계층 코드로 표현한 것) 계열이 아니라는 점을 명시적으로 밝힌다 확인 — §2.2

  "Most LLM-based generative retrieval systems rely on autoregressive decoding with beam search at inference time, which introduces latency overhead that can be prohibitive at scale, especially for large candidate sets. Our work avoids these limitations by augmenting the base LLM architecture with a catalog-aware ranking head, so that it can rank a large candidate set in a single forward pass" — GenRec arXiv, §2.2

  논문은 Google PLUM, Kuaishou OneRec-Think, Spotify GLIDE, Yandex Gryphon 등 SID·생성 계열과 무엇이 다른지를 스스로 정리한다. GenRec은 semantic ID 계열이 아니다. 채점 헤드가 catalog-aware라서 single forward pass만으로 대규모 후보 집합을 채점하기 때문이다.

• 팀 구조가 처음 드러났다 확인 — §8

  • 블로그에는 팀 구분이 없었다. 논문은 세 팀이 협업했다고 밝힌다.
  • AI for members(22명): 주 저자단과 Justin Basilico 포함
  • AI platform and serving(13명): 서빙 인프라
  • Product(4명)
  • Justin Basilico는 Netflix 개인화 총괄로 알려진 인물이다. 그의 이름이 GenRec 인접 문서에서 명시적으로 확인된 것은 이번이 처음이다.

• 논문도 전면 롤아웃을 확언하지는 않는다 확인 — §7

  "GenRec represents an initial step toward a more LLM-centric recommendation stack at Netflix. Our results suggest that this is a viable and promising path for large-scale personalization in at least some scenarios" — GenRec arXiv, §7 Conclusions

  "initial step"과 "at least some scenarios"라는 표현이 그 태도를 보여 준다. 정본이 열어 둔 질문인 전면 롤아웃 여부, 실시간 지면 여부, 후보 집합의 생성 주체는 논문에서도 답을 찾을 수 없어서 그대로 남는다.

• +0.006% 코어 지표
• Phase 1/2 기여 분해와 시간 축
• 5000→1700 토큰 예시와 서빙 비용 1/3
• ℒ = αℒ_rank + βℒ_lang + γℒ_misc와 catalog softmax
• user/assistant 대화 스키마
• GRPO preliminary 결과
• distilled 백본 언급
• Semantic-ID 자리매김
• 세 팀 구조
• 논문에도 여전히 공개되지 않은 항목

열린 질문은 그대로 유지했다. 전면 롤아웃 여부와 실시간 지면 여부, 후보 집합의 출처는 논문도 답하지 않기 때문이다.

1. +0.006% 코어 지표를 이제 인용할 수 있다. "statistically significant"라는 표현만 있을 때는 규모를 가늠할 수 없었다. 논문이 스스로 내린 규정("Netflix scale에서 유의미")과 함께 쓰면 진술의 무게가 분명해진다.
2. 컨텍스트 압축이 품질을 지키는 데 그치지 않고 서빙 비용도 1/3로 낮춘다는 조합이 새로 확립됐다. 이것은 GenRec의 batch-compute 서빙이 경제적으로 성립한다는 논증에서 핵심이 되는 근거다.
3. GRPO가 더 나은 결과를 냈는데도 배포되지 않았다는 진술은 Meta ConnectionMind가 같은 GRPO를 실제로 배포한 것과 대비된다. "훈련 비용을 얼마나 감당할 수 있느냐가 배포 형태를 가른다"라는 산업 차원의 절충이 두 사례에서 대칭적으로 드러난 첫 순간이다.

블로그와 논문의 관계 자체도 시사하는 바가 있다. Netflix는 블로그를 먼저 내고 논문으로 정량 수치를 보강하는 순서를 열흘 남짓 만에 완성했다(블로그 2026-07-30 → 논문 2026-08-10). 이 순서가 앞으로도 반복된다면, 블로그가 나오면 즉시 정본에 반영하고 논문이 나오면 정량 수치를 보강한다는 이 저장소의 스캔 전략을 확립할 수 있다.

↑ 목차

3Yandex Music이 스마트 스피커 지면의 통합 랭커 Sona를 공개했다 — 레이더

• Sona는 음악 스트리밍을 위한 통합 생성형 추천 모델이다 확인 — abstract
  • 유저 engagement 시퀀스를 공유 인코더로 처리한 다음, autoregressive 디코더와 랭킹 모듈로 추천을 만든다.
  • hand-engineered feature는 쓰지 않는다.
• 배포 지면은 스마트 스피커 전용 지면인 "My Vibe on smart speakers"다. 넓은 범위의 음악 추천 캐스케이드를 다루는 Gryphon-v2와는 배포 지면이 다르다.
• 프로덕션 A/B에서는 "replaced the entire production cascade"라고 밝혔고, active users가 +4.53%, total listening time이 +6.30% 올랐다 확인 — abstract

정본 반영 없음 추적 대상 서비스(X·Meta·Netflix)가 아니므로, radar.md의 Gryphon-v2 스레드에 2026-08-13 추가 근거로 3–4줄짜리 포인터만 붙였다.

↑ 목차

검증에서 뒤집힌 것

⚠ 자리 3의 주장이 절반쯤 뒤집혔다. topics/llm-in-recsys.md의 오래된 결론 문장을 다시 썼다.

• 옛 결론: "유기 피드 랭킹 경로에 LLM이 들어간다는 1차 진술은 X·Meta 어느 쪽에도 없다 — 업계 전체에서 그 진술을 처음 낸 것은 Netflix GenRec"
• 새 결론: "Netflix GenRec(2026-07, LLM = 채점 함수)이 처음이었고, Meta ConnectionMind(2026-08, LLM = 그래프 경로 추론기)가 두 번째"

LLM이 맡는 형태가 두 회사에서 다르다는 사실이 새로 확립된 지형이다. 검증에 사용한 코퍼스는 이번 사이클에서 읽은 arXiv 논문 2건의 원문이고, 1절과 2절에 인용했다.

반대로 뒤집히지 않은 것도 하나 있다. "Netflix GenRec의 채점 구조는 텍스트 생성이 아니다 — LLM은 pooled hidden state h를 만드는 인코더이고 최종 채점은 임베딩 내적/작은 MLP"라는 서술은 그대로 유지된다. arXiv 논문 §4.5의 catalog softmax와 scoring head φ 서술이 이 요약과 들어맞는다. 새로 나온 손실 수식은 이 서술을 강화할 뿐 약화하지 않는다.

↑ 목차

레이더

오늘 레이더는 두 건을 갱신했다.

• Sona(Yandex Music, arXiv 2608.11015, 2026-08-11)를 Gryphon-v2 스레드에 3–4줄짜리 포인터로 추가했다. Sona는 스마트 스피커 지면의 통합 랭커이고, active users +4.53%, total listening time +6.30%를 기록했다.
• radar.md의 LLM-native 랭킹 확산 오픈 스레드를 갱신했다. Meta ConnectionMind가 자리 3의 두 번째 프로덕션 진술로 들어왔다는 사실을 반영했고, 지켜볼 목록에는 "ConnectionMind 지면 확정·서빙 코스트 후속 글"을 추가했다.

레이더 triage에서는 오늘 스캔한 arXiv cs.IR 신규 30건 가운데 위 3건 외에 수용 기준을 통과한 항목이 없었다.

• 위 3건: 2608.10257 Netflix GenRec, 2608.10187 Meta ConnectionMind, 2608.11015 Yandex Sona
• 수용 기준: 플랫폼 기업 저자, 프로덕션·A/B 진술, 메커니즘 신규성, 스케일 결과
• 통과하지 못한 대표적인 예는 아래 세 계열이고, 모두 프로덕션 배포에 관한 진술이 없다.
  • LLM 리랭커 계열: 2608.10528·2608.10406
  • 멀티모달 sequential rec: 2608.10700·2608.10240·2608.10983
  • 학술 벤치마크 CF: 2608.10297·2608.10247

↑ 목차

다음에 볼 것

↑ 목차