2026-09-23

오늘 함께 본 다른 변화는 다음과 같다.

• X는 같은 커밋에서 후보마다 어느 retrieval 소스에서 왔는지 기록하고, 요청의 5%를 Kafka로 발행하는 경로를 새로 만들었다.
• X의 노출 판정 엔진(VF)은 판정 결과를 숨김과 표시 두 갈래의 트리로 나타내도록 다시 쓰였다.
• Netflix는 추천 시스템 관측을 반사실 측정 문제로 다루는 RecSys 2026 논문을 냈다. Row Curators 검증에서 A/B와의 R²는 0.82였다.

1재순위 서비스 VMRanker가 값 모델 계산까지 맡을 준비를 마쳤다 — X

VMRanker는 홈믹서의 후처리 랭커로, 지금까지 DPP(서로 비슷한 후보가 함께 뽑히지 않도록 고르는 확률 모델) 재순위기 역할만 하던 gRPC 서비스다. 이번 커밋으로 그 역할이 "값 모델(value model, 후보의 최종 유효 가치를 내는 모델) 자체를 컴퓨트하는 서비스"로 확장될 준비가 끝났다.

• VMRanker 호출이 세 모드로 나뉘었다. 기존처럼 DPP 재순위만 하는 모드, 값 모델 입력을 실어 보내 그림자 평가를 하는 모드, 새 값 모델 점수를 실제로 계산하는 모드다 확인 — home-mixer/scorers/vm_ranker.rs, 신규 home-mixer/scorers/vm_ranker_request.rs(+74).
  • 모드는 두 새 파라미터 VMRankerSendValueModelInputs와 VMRankerComputeValueModel로 갈린다. 둘 다 기본 false다.
  • dpp_only는 기존 동작이다.
  • send_inputs는 viewer 컨텍스트와 후보 정책 플래그를 실어 보내 shadow evaluation을 한다.
  • compute_value_model은 실제로 새 value model 스코어를 컴퓨트한다.
  • VMRanker 요청 페이로드에는 신규 domain type FsRecipientInputs의 12필드가 실린다.
    • user_id, country_code, language_code, client_app_id, client_version, user_roles, datacenter, has_phone_number, resurrection_time_ms, product, now_ms, fs_overrides
  • 후보별 8필드와 PhoenixScores 26필드도 함께 실린다.
  • Experiment6라는 6번째 클러스터가 새로 등록됐다.
• 작성자 콜드스타트 처리가 내린 정책 결정 두 가지가 후보에 태그로 붙기 시작했다 확인 — home-mixer/scorers/author_cold_start.rs(+85/−20).
  • AuthorColdStart::apply_with_decisions()가 새로 생겼고, ColdStartOutcome { scores, author_policy_zeroed: Vec<bool>, lift: Option<ColdStartLift> }을 리턴한다.
  • author_policy_zeroed[i]는 MoE ranking policy에서 이 후보가 zero-score로 마스킹됐는지를 담는다. MoE(mixture of experts)는 여러 전문가 하위 모델 가운데 일부를 골라 쓰는 모델 구조다.
  • lift는 어느 후보를 어느 rank로 lift했는지를 담는다.
  • RankingScorer가 이 두 필드를 PostCandidate에 채우면 downstream(VMRanker와 새 Kafka 파이프라인)이 볼 수 있다.

retrieval 소스별 후보 기여도를 오프라인에서 분석할 수 있는 attribution 파이프라인이 홈믹서에 신설됐다. 후보마다 자신이 어느 retrieval 소스에서 어느 클러스터로 어느 rank에 들어왔는지를 벡터로 기록하고, 요청의 5%를 Kafka에 selected/non-selected와 함께 발행한다.

• 샘플링한 요청의 retrieval 후보 목록을 Kafka 토픽으로 발행하는 side effect가 새로 생겼다 확인 — 신규 home-mixer/side_effects/retrieval_candidates_kafka_side_effect.rs(+209).
  • 두 새 파라미터 RetrievalCandidatesKafkaSamplePercent(기본 5.0)와 RetrievalCandidatesKafkaMaxCandidates(기본 200)로 게이팅된다.
  • 요청마다 RetrievalCandidateBatch 프로토 하나가 RETRIEVAL_CANDIDATES_TOPIC로 발행된다. 프로토에는 request_id, viewer_id, request_time_ms, sample_rate, ranker_cluster, experiment_buckets와 후보 리스트가 담긴다.
  • is_prod() 안에서만 켜지고, in-network-only 요청과 캐시된 요청은 제외된다.
• 후보가 자기를 가져온 retrieval 소스의 기록을 갖게 됐다 확인 — home-mixer/models/candidate.rs.
  • 새 필드는 PostCandidate::retrieval_sources: Vec<RetrievalSource>이다. RetrievalSource는 {served_type, cluster: Option<PhoenixRetrievalCluster>, score: Option<f32>, position: Option<u32>}다.
  • Phoenix/MoE/Topics 세 retrieval RPC 소스는 후보 생성을 신규 헬퍼 candidates_from_retrieval_response()로 이관하면서, served_type별 score 내림차순 rank(1-based)를 붙인다.
  • Simclusters 소스도 RetrievalSource::from_served_type(ForYouSimclusters)를 붙인다.
  • 여러 소스에서 나온 중복 후보는 dedup 필터(filters/drop_duplicates_filter.rs)가 retrieval_sources 벡터를 병합해, 하나의 후보에 여러 소스 기록을 남긴다.
  • 대응하는 aggregate 메트릭도 함께 연결됐다. side_effects/scored_stats_side_effect.rs의 record_retrieval_source_contribution이 다음 세 계열을 발행한다.
    • Phoenix.RetrievalContribution.Selected(source·mode=credited/inclusive)
    • PhoenixTopK(k ∈ {10, 100, 200, 500, 1000})
    • SelectedTotal

visibility-filtering(VF)은 포스트마다 이 뷰어에게 보여도 되는지를 판정하는 서비스다. 이번 커밋에서 VF rule engine이 완전히 재작성됐다. 판정은 평면 액션 하나에서 이원 판정 트리로 바뀌었고, rule은 함수에서 데이터(predicate 목록, audience, action)로 옮겨 갔다.

• 판정 결과가 숨김과 표시 두 갈래의 트리가 됐다. 숨김에는 드롭과 tombstone(포스트 자리에 안내 문구만 남기는 처리)이 있다 확인 — 신규 visibility-filtering/models/verdict.rs(+62), visibility-filtering/treatment.rs(+446).

  • 이전 판정은 flat VfAction(Allow/Drop/Interstitial 3-variant)이었다. 새 판정은 이원 Verdict 트리(Withheld{Drop|Tombstone} | Shown{media?, engagement?})다.

  • 새 정의는 다음과 같다.

    pub enum Verdict {
        Withheld(Decided<Withholding>),
        Shown { media: Option<Decided<MediaInterstitial>>, engagement: Option<Decided<LimitedEngagement>> },
    }
    pub enum Withholding { Drop(FilteredReason), Tombstone(TombstoneReason) }
    

  • Withheld는 terminal(정책·규제 드롭 또는 tombstone)이다.

  • Shown은 non-terminal이라 media interstitial과 limited engagement 두 restriction이 동시에 겹칠 수 있다.

  • 결정마다 by: &'static str이 rule 이름을 개별로 기록한다.

  • TombstoneReason::LocalRegulations와 LimitedEngagementReason::ConversationControl enum 슬롯은 wire는 있지만, 아직 어떤 rule도 발동하지 않아 #[expect(dead_code)]로 마킹돼 있다. 지역 규제 대체 렌더링과 대화 통제 정책이 이 슬롯으로 들어올 준비다.

• rule은 이제 함수가 아니라 데이터로 적는다. rule 하나가 이름, 조건 목록, 적용 대상, 액션으로 이뤄진다 확인 — visibility-filtering/rules/rule_spec.rs(+240/−69).
  • 이전 RuleSpec::{Tweet, Author, Custom} enum이 RuleClause { rule_name, when: &[Condition], applies_to: Audience, action: ActionSpec } struct로 대체됐다.
  • Predicate는 4계열로 카탈로그화됐다. TweetPredicate 11종, AuthorPredicate 8종, ViewerPredicate 5종, RelationshipPredicate 5종이다.
  • Audience는 3종이다: Everyone / ExceptAuthor / ExceptAuthorAndFollowers.
  • ActionSpec은 4-variant다: Drop / Tombstone / Interstitial{legacy, media} / LimitedEngagement.
  • 신규 helper tweet_timestamp_ms(tweet_id)가 Snowflake epoch(1288834974657 ms, shift 22-bit)에서 tweet 생성 시각을 뽑는다.
  • Policy 조립은 rules/registry.rs에서 이뤄진다. TimelineHome 30개, TimelineHomeRecommendations 56개 rule의 순서는 회귀 테스트 wired_rule_order_matches_pre_migration_sequence로 잠긴다.
• NSFW interstitial(콘텐츠 위에 씌우는 경고 화면)이 트윗 생성 시점에 따라 다른 사유로 걸린다 확인.
  • 신규 rule NsfwHighPrecisionAdultInterstitialRule이 CreatedAfter(1705536000000)(2024-01-18 UTC) predicate로 갈라진다.
  • 그 이후 생성 트윗은 InterstitialReason::Nudity(true)로, 그 이전 트윗은 기존 InterstitialReason::Sensitive(true)로 blur된다.
  • NSFW_HIGH_PRECISION 라벨의 semantics가 2024-01-18에 정책적으로 바뀌었고, 이전 라벨을 재해석하지 않고 시점 기준으로 분리 처리한 것으로 읽힌다 추정.
• hydration 단계에서 쓰는 SafetyLevel이 새로 생겼다. 이 레벨에서는 트윗만 보는 rule 6개만 돈다 확인.
  • SafetyLevel은 VF가 적용할 rule 목록(policy)을 정하는 단위다. 새 레벨 TimelineHomeHydration은 4-variant 중 4번째로 신설됐다.
  • hydration 단계에서는 author-state와 socialgraph rule을 뺀 tweet-only rule만 돈다.
    • TWEET_LABEL_DROPS / EXCLUSIVE_TWEET_DROP / TAKEDOWN_DROPS / SENSITIVE_VIEWER_DROPS / NSFW_MEDIA_INTERSTITIALS / NSFW_AUTHOR_INTERSTITIAL
  • Thrift TIMELINE_HOME_HYDRATION enum(값 4)이 이제 인식된다. 2026-09-18 커밋(4세대+25)에서 이 값은 unimplemented로 스텁이었다.

• Phoenix xrex 서빙 코드에서 별도 파일에 있던 bloom filter와 topic filter가 model_runner 하나로 통합됐다 확인 — phoenix/xrex/inference/model_runner.py(+328).
  • 두 필터를 흡수한 것은 RetrievalModelRunner다.
  • 삭제된 파일은 phoenix/xrex/inference/serving_filters_runner.py(−543)와 phoenix/xrex/models/recsys_two_tower_serving_filters.py(−173)다.
  • Topic filter는 6개 옵션의 parquet(1fav_topic_option_{0..5}_1day.parquet)를 로드해 요청별로 하나를 고른다. 옵션 0이 기본이고, 1~5는 A/B 대체다.
  • Bloom filter는 bucket별 pinned host 메모리에 mask 버퍼를 할당하고, Rust(RetrieveRequestBatch::build_eligible_mask_into_shards())가 이를 채운다.
  • 둘 중 하나라도 켜지면 live post-embeddings hotswap이 비활성화되고, drained finalize 경로로 폴백한다.
  • 이 폴백은 pinned mask가 all_post_ids에 강하게 coupling돼 있어 stale mismatch를 피하기 위한 것이다 추정.
• 포스트 임베딩 테이블을 int8로 양자화해 쓰는 옵션이 생겼다 확인 — 신규 phoenix/xrex/inference/int8_post_table.py(+11).
  • quantize_post_table() 함수가 per-post absolute-max 스케일링으로 bf16 → int8 변환을 한다. scale은 float32다.
  • RetrievalModelRunner.enable_int8_post_table 플래그가 켜지면, post embedding 객체가 바뀔 때마다(cache[0] is not x identity check) 재양자화하고 캐시한다.
  • RecsysTwoTowerModel.forward()가 post_scales 인자를 새로 받아, int8 → bf16 변환 후 matmul을 수행한다.
  • 새 sharding pspec (("stage", "expert", "replica", "data"), ("seq", "model"))로 post embedding 첫 축이 4-axis sharding까지 확장됐다. pipeline·data 병렬 축이 추가된 것이다.

• Phoenix 서빙 엔진의 copy_port 클라이언트가 크게 리팩터돼, 느린 전송 하나가 다음 배치를 막지 않게 됐다 확인 — phoenix/crates/serving/xai-recsys-engine/src/copy_port_client.rs(+879/−93).
  • copy_port 클라이언트는 서빙 노드가 트레이너/피어에서 embedding 테이블·dense weight를 병렬 다운로드하는 클라이언트다.
  • 배치-per-배치 방식이 사라지고 tokio::task::JoinSet 기반 streaming continuation으로 대체돼, slow-tail transfer가 다음 배치를 막지 않는다.
  • 새 env var는 두 개다. COPY_PORT_TRAINER_CONNS_PER_SOURCE는 트레이너 하나에 여는 병렬 커넥션 개수다(1~16 clamp). XAI_RECSYS_RDMA=1은 RDMA 모드이고, 이 모드에서는 커넥션 다중화가 비활성된다.
  • 신규 spawn_striped_trainer_downloads()가 트레이너 하나의 소유 파일 리스트를 커넥션 수로 균등 분할해 파이프라이닝한다.
  • Checkpoint hot-swap 지연을 줄이기 위한 최적화다 추정.
• 홈믹서에 하드코딩돼 있던 상수 두 개가 FS(FeatureSwitch, 런타임에 값을 바꿀 수 있는 설정 스위치) 파라미터로 옮겨졌다 확인.
  • NEW_USER_OON_WEIGHT_FACTOR 상수는 NewUserOonWeightFactor(FS rust_home_mixer_new_user_oon_weight_factor, 기본 0.00001)로 이동했다.
  • ANN_MAX_POST_CANDIDATE_AGE_HOURS 상수는 SimclustersMaxCandidateAgeHours(FS rust_home_mixer_simclusters_max_candidate_age_hours, 기본 48)로 이동했다.
  • Simclusters cache key가 signal_id → (signal_id, max_candidate_age_hours)로 확장돼, age가 다른 실험이 서로 다른 cache entry를 갖는다.
• Phoenix MoE 후보 소스를 즉시 끌 수 있는 kill-switch decider가 생겼다 확인 — home-mixer/sources/phoenix_moe_source.rs(+66/−19).
  • 새 decider disable_home_mixer_phoenix_moe_source가 켜지면 MoE 소스가 즉시 disable된다.
  • FS는 rollout에 시간이 걸리지만, decider는 seconds 단위로 propagate된다.
  • PhoenixMoeColdStartMaxResults(기본 0)도 신설돼, 2026-09-18 커밋(4세대+25)에서 non-MoE 소스에 도입된 cold-start 슬라이스 상한이 MoE에도 노출된다.
• Grox(X의 LLM 주석 파이프라인)의 간이 답글 점수기가 인용 트윗이 있는 답글을 full 점수기로 넘기고, LLM 출력 JSON을 3단계로 복구한다 확인 — grox/flows/reply_spam/classifier_simple_reply_scorer.py(+103/−3).
  • 간이 점수기는 SimpleReplyScorer다. 인용 트윗(quoted_post)이 있는 리플라이는 simple 경로를 건너뛰고 full ReplyScorer 경로로 위임된다(카운터 task.spam_comment_detection.full_scorer.count).
  • LLM output JSON 파서는 다음 3단계로 방어한다.
    1. re.search(r"\{.*\}", output, re.DOTALL)로 추출한다.
    2. 실패하면 json_repair.repair_json()을 쓴다.
    3. 여전히 실패하면 r'"score":\s*([\d.]+)' regex로 숫자만 뽑아 낸다.
  • 파싱 실패는 task.reply_ranker.invalid.count{reason=invalid_format|invalid_score_format|score_out_of_range} 3계열로 세어진다.
  • 새 히스토그램 ranked_replies_scores가 4-bucket(0.0, 1.0, 2.0, 3.0)으로 score 분포를 관측한다.

"The framework treats recommender-system observability as a counterfactual measurement problem: estimating what the recommender would have done, and what engagement would have followed, in the absence of a specific content item or model decision." — Beyond Raw Engagement (arXiv 2609.22747), 2026-09-19 (Netflix 자료에서 인용, 이 자료 아래 절 참조)

• VMRanker는 값 모델을 컴퓨트할 준비를 마쳤다.
• retrieval attribution 파이프라인은 후보 origin을 후보 자체에 기록하고, 5% Kafka 샘플과 aggregate metric을 함께 낸다.
• VF verdict 트리 재작성은 여러 restriction의 겹침을 표현하고, Tombstone/LimitedEngagement 슬롯을 열었다.
• Phoenix xrex serving 층에서도 별도 파일이었던 bloom filter·topic filter가 model_runner로 통합되고, int8 post table quantization까지 함께 왔다. 이것은 retrieval serving의 대규모 스케일 대응 축이다.
• 앞으로 관찰할 지점은 세 개다. VMRankerComputeValueModel=true가 실험으로 켜지는 시점, retrieval attribution Kafka가 어느 오프라인 잡의 입력이 되는지, Tombstone/LimitedEngagement 슬롯이 어느 rule에서 처음 채워지는지다.

2추천 시스템 관측을 반사실 측정 문제로 다루는 RecSys 2026 논문 — Netflix

• Netflix가 자체 recommender에 배포한 measurement의 축은 세 개다 확인 §3.1.
  • Bias reduction은 노출 propensity를 SNIPS로 보정한다. SNIPS는 inverse propensity score(IPS, 관측값을 노출 확률의 역수로 가중하는 추정)의 self-normalized 변형이다. 정책 $\pi_e$와 로그 정책 $\pi_0$의 alignment는 match function $m$으로 가늠하고, exact matching이 unbiased의 특수 케이스라고 명시한다.
  • Relativity는 알고리즘 성능과 콘텐츠 성능을 분리한다. 정책 대 정책 비교에는 SNIPS 차이를, 아이템 대 아이템 비교에는 position-adjusted SNIPS를 쓴다. Position bias를 완화하려고 콘텐츠 $c_i$의 각 position lift를 랜덤 콘텐츠와 비교한 뒤 position weight로 aggregate한다.
  • Incrementality는 "이 아이템을 제거하면 얼마의 가치를 잃는가"를 counterfactual로 물어 콘텐츠의 실제 기여도를 잰다. Netflix는 이 축의 방법을 single-stage와 cascading 두 케이스로 나눠 제시한다.
• 이 프레임워크는 Exploration & Exploitation 모듈을 전제조건으로 한다 확인 §3.1.
  • 프레임워크는 contextual bandit·RL setup 위에서 동작한다. arm $a_j$가 정책 $\pi$에 따라 확률 $\pi(a_j|x_j)$로 선택되고, 그 확률이 logging된다.
  • 즉 exploration을 하지 않고 logged propensity가 없는 recommender에는 이 프레임워크를 그대로 적용할 수 없다.
  • Netflix는 이 조건이 대부분의 자체 recommender에 이미 충족돼 있다고 서술한다.

• single-stage incrementality는 Leave-One-Out 측정으로 잰다 확인 §3.2.
  • Exploration 정책 위에 특정 아이템이 제거된 counterfactual을 시뮬레이션한 "Leave-One-Out policy"를 두고, 두 정책의 SNIPS 차이를 position별로 aggregate한다.
  • match function은 다음 두 조건 중 하나에서 1이다.
    • explored arm이 Exploration 정책의 top pick이고 제거 대상이 아닐 때
    • explored arm이 second-best이고 top이 제거 대상일 때
  • 분산을 줄이려고 logged probability를 10th percentile에서 하한 clip한다.
• cascading recommender에서는 청중에 따라 방법이 다르다 확인 §3.3.

  • 캐스케이드에서는 후보 pool이 upstream에서 걸러지므로, 낮은 engagement가 upstream filtering 탓일 수 있다.

  • upstream model developer에게는 "이 아이템을 후보 pool에 넣는 것이 좋았나"를 묻고, Leave-One-Out을 재사용한다. 다만 target action이 single top pick이 아니라 set이 되므로, match $m$을 Jaccard 같은 set similarity로 재정의한다.

    • 여러 아이템에서 lift가 크면 upstream이 downstream에 실제로 값을 더한다는 뜻이다.
    • 반대면 pool이 downstream 관점에서 교환 가능하다는 뜻이다.

  • content creator와 platform observability를 위해서는 각 아이템의 전체 pipeline 기여도를 두 값으로 분해한다.

    Incrementality(i) = Irreplaceability(i) · Universality(i)

    • Irreplaceability는 i가 후보 pool에 있을 때의 조건부 causal lift이고, self-normalized Hájek IPS로 추정한다.
    • Universality는 i가 eligible한 확률이다.

• Row Curators의 오프라인 incrementality 측정과 실제 A/B의 alignment는 R²=0.82였다 확인 §4.2.

  • Netflix 홈페이지의 "Row Curator"는 콘텐츠 큐레이터가 만드는 title 컬렉션 row다.
  • 이 row의 오프라인 incrementality 측정을 실제 A/B ground truth와 비교했다. A/B는 해당 row 시리즈를 recommender에서 제거하고 user engagement 손실을 측정한 것이다.
  • 11개 A/B에서 alignment는 R²=0.8212였다.
  • Netflix는 self-normalized Hájek estimator를 선택한 이유로 heterogeneous propensity 환경에서의 견고성을 든다.
  • 프로덕션 세부 사항은 세 가지다.
    • propensity를 [0.0001, 0.9999]로 clip한다.
    • row당 최소 100 observation을 요구한다.
    • 서로 다른 길이의 홈페이지에 걸쳐 aggregate한다.

  "For the Irreplaceability estimate, we tried different estimators and eventually selected the self-normalized Hájek estimator for robust observability signal under such heterogeneous propensities. In practice, we clip the propensities to [0.0001, 0.9999] to further reduce variance, require at least 100 observations for each row, and aggregate across homepages of varying lengths. Across 11 A/B tests, the R² between our proposed row-incrementality measurement and the A/B-test ground truth is 0.8212, providing strong validation of our approach." — arXiv 2609.22747, 2026-09-19

• model developer 관측 사례에서는 라벨 misattribution이 자동으로 감지됐다 확인 §4.3.

  • Incrementality 시계열 모니터링이, 다른 유사 콘텐츠는 안정된 상황에서 특정 콘텐츠 A의 성능 dip를 감지해 냈다.
  • 원인을 추적한 결과는 "모델의 positive label misattribution"이었다.
  • 저자는 이 프레임워크가 raw engagement로는 놓칠 발견을 하고, model developer가 root cause에 빨리 접근하게 만든다고 정리한다.

• 논문은 다음 다섯 가지를 명시하지 않는다 관찰 논문 정독.
  • 프레임워크가 각각 어느 recommender에 배포됐는지 이름을 밝히지 않는다. 홈페이지 row 큐레이션이 명확한 유일한 사례다.
  • core online metric의 절대값이 공개되지 않는다.
  • FM·GenRec·GenPage 같은 세대 라인과의 관계가 명시되지 않는다. 이 프레임워크가 GenRec의 A/B alignment에 쓰였는지, 자체 라인인지 불분명하다.
    • FM은 회원 표현을 중앙화한 Netflix의 Foundation Model이다. GenRec은 LLM 랭커이고, GenPage는 페이지 전체를 트랜스포머 하나로 생성하는 모델이다.
  • Row Curators A/B 11개의 개별 결과가 논문 본문에는 제시되지 않고, R² 하나로만 aggregate돼 있다.
  • 프레임워크가 아직 커버하지 않는 recommender(exploration 없는 경우 등)의 대응책이 언급되지 않는다.

• 저장소 정본에서 이 프레임워크는 MediaFM의 popularity-based winner(체크포인트 gating용 오프라인 프록시)와 나란히 서지만 자리가 다르다. winner는 배포 전 선발이고, 이 프레임워크는 배포 후 관측이다.
• GenRec 논문의 A/B 결과 검증에 이 프레임워크가 쓰였는지가 후속 확인 대상이다.
• exploration 기반 logged propensity가 전제이므로, non-exploring recommender(예: pure Foundation Model shadow 배포)에는 그대로 적용할 수 없다는 제약이 함께 붙는다.
• Netflix가 recommender 측정 방법론을 별도 논문으로 공개한 것은, 이 저장소 코퍼스 안에서 counterfactual measurement 라인의 첫 회사 진술이다. 위치와 목적은 MAPS(Netflix의 아트워크·비디오 프리뷰 개인화 시스템)의 offline gating과는 별개다.

레이더

오늘 arXiv cs.IR 신규 30건을 triage해 3건을 통과시켰고, 그중 2건을 radar.md에 편입했다. 통과한 나머지 1건은 Netflix 자료로, 위 2절에서 자세히 다뤘고 서비스 정본에 직접 반영했으므로 레이더에는 편입하지 않는다. 파싱된 <entry> 개수는 30, 대상 기간은 2026-09-18~09-21이다.

• UNIQUE는 산업 mobile feed에서 retrieval과 ranking을 통합하고 single-layer flat quantization을 쓰는 Baidu·Beihang·CityU 논문이다 확인 — arXiv 2609.23718, 2026-09-20 v1.
  • RecSys 2026에 accepted됐다.
  • 저자 소속은 HTML 판에서 확인했다: Baidu Inc.·Beihang University·Hong Kong Institute of AI for Science.
  • 논문은 후보 retrieval의 hierarchical quantization instability와 retrieval-ranking stage 간 정보 손실을 두 축의 문제로 지적한다.
  • 그리고 generative code-based retrieval과 target-aware ranking을 early-fusion single architecture로 통합해, end-to-end 학습과 효율적 후보 생성을 함께 노린다고 주장한다.
  • Baidu는 canon 서비스(이 저장소가 정본 문서를 두고 추적하는 서비스)는 아니지만, 대규모 산업 mobile feed인 Baidu App을 운영한다.
  • 논문이 프로덕션 배포와 A/B 수치를 abstract 수준에서 명시하는지는 정독이 필요하다. radar에는 심층 분석 대기로 편입했다.
• MuSeR는 deployed MGS 위에서 10^4~10^5 규모 유저 이력을 hierarchical temporal compression으로 압축하는 Kuaishou의 multi-interest 시퀀스 retrieval이다 확인 — arXiv 2609.23677, 2026-09-20 v1.
  • HTML 판에서 저자 소속이 Kuaishou 도메인임을 확인했다.
  • 최근 액션은 full resolution으로 유지하고, 오래된 세그먼트는 점진 pooling으로 압축해 fixed serving budget 안에서 lifelong history를 담는다는 접근이다.
  • Kuaishou는 이미 radar에 SWIM·UniRec·DrEM 등 다수 스레드가 있다.
  • MuSeR는 Tencent의 ChronicleRec와 자리가 인접하고, 둘 다 ultra-long behavior sequence를 사전 압축한다. MuSeR는 radar의 lifelong user modeling 각도에 데이터 포인트를 하나 더한다.

나머지 27건은 탈락했고 관찰 대상이 아니다. 요건 삼각, 즉 플랫폼 기업 저자, 프로덕션 A/B 진술, 메커니즘·스케일 신규성을 만족하지 않았다. 탈락 목록은 Ascent(clinical MCP), UK-PRBENCH(법률 case law retrieval), Semantic ID reproducibility study, Baidu·Google AI search auditing(외부 audit), Graded-Relevance e-commerce multimodal, publication bias biomedical causal search, UniK universal knowledge, Q-TIE temporal IR, YouTube Music LLM rationale(음악 도메인), UNDRR disaster schema extraction, Redundancy Reduction Sequential Recommendation(academic), PSD LLM agent memory, Answer-Oriented Context AI search, candidate-job matching bi-encoder eval, Brand Visibility AI Search, MM-ContextFold multimodal RAG, EU research policy, Inherit4Rec(Kuaishou 파라미터 상속, mechanism-novel하지만 프로덕션 A/B 미언급으로 이번 batch에서는 탈락), Static-vs-Agentic RAG Taiwan history, Attributable RAG citations, R-GEAN medication change(EHR), Per-Query Gating LLM rerankers, Dense-Sparse Fusion BEIR SciFact, DOA-SORT multi-object tracking(비-IR), GEO score cross-engine, AdaMerge visual doc retrieval, semantic candidate-job matching hybrid retrieval이다.

산업 블로그 훑기는 월요일에만 한다. 수요일인 오늘은 대상이 아니었다.

다음에 볼 것