분야 레이더 — 추적 서비스 밖의 논문·트렌드

이 문서는 추적 서비스(X·Meta·Netflix)의 정본에 아직 반영하지 않은 논문과 트렌드를 모아 두는 워치리스트다. 엔트리는 프로덕션과의 관련성을 기준으로 골라 2~4줄짜리 포인터로 쓴다. 수명은 약 3개월이며, 그 뒤에는 승격하거나 졸업시킨다. 자세한 규칙은 CLAUDE.md에 있다.

수집은 일일 배치가 맡는다. arXiv cs.IR 신규 제출은 매일 훑어 고르고, 산업 블로그(Google Research, Pinterest, Spotify, LinkedIn 등)와 학회 accepted 목록은 주 1회 살펴본다.

관찰 중 (오픈 스레드)

LLM-native 랭킹의 확산 — GenRec 이후 누가 따라오나

무엇: 추천 파이프라인의 어느 한 자리를 LLM으로 바꾸는 흐름이다. 2026-08 현재 프로덕션 배포까지 간 1차 진술은 다섯 건이고, 메커니즘이 서로 다르다 확인. → llm-in-recsys.md
- 세부: 다섯 건과 각각의 메커니즘은 다음과 같다 확인.
  - Netflix GenRec: 채점 함수
  - Yandex Gryphon-v2/Sona: 생성 retrieval과 rank의 통합
  - Alibaba MetaStrategy: 오프라인 정책 컴파일러
  - Meta ConnectionMind: 그래프 경로 추론기
  - Meta AMBER: 입력 토큰화
- 세부: 이 가운데 AMBER만 온라인 A/B 수치를 공개하지 않았고, 나머지 네 건은 A/B 수치를 밝혔다.
- 세부: 스레드를 열 때에는 서빙 경로의 채점 함수만 보았다. 그 뒤에 들어온 진술들이 서로 다른 자리를 건드리면서 범위가 넓어졌다. 새 진술이 들어오면 이 목록에 더하고, 본문에서는 순서를 세지 않는다.
왜 주목: X(LLM을 주석에 쓴다)와 Meta(LLM을 피처 인코더로 쓴다)가 같은 길을 갈지가 향후 1년의 최대 분기점이었다. 그런데 Meta가 2026-08에 ConnectionMind로 진입했다(⚠ 기존 명제가 절반 뒤집혔다).
지켜볼 것: 타사(Google/YouTube, TikTok)가 서빙 경로에 LLM을 배포했다는 1차 진술, GenRec 전면 롤아웃의 후속 소식, ConnectionMind의 지면 확정과 서빙 비용을 다룬 후속 글을 기다린다.
2026-08-12 추가 근거: Taobao MetaStrategy(arXiv 2608.09440, 2026-08-10)는 LLM을 서빙 경로에 두지 않고 오프라인 정책 컴파일러로 쓰는 세 번째 각도다. "Guess You Like" 지면의 7일 A/B에서 click PV +2.11%, IPV +3.12%, GMV +2.83%를 얻었다 확인.
- 세부: LLM이 typed JSON(목적 가중치, 카테고리 선호, 위치 정책, 가드레일)을 nearline으로 생성한다. validator와 compiler가 이것으로 결정론적 Generator를 인스턴스화하고, 이 Generator는 GE(Generator-Evaluator) 아키텍처 안에서 기존 전략과 원자적으로 경쟁한다.
- 세부: LLM inference가 sync 랭킹 밖에 있어서 RT 영향이 0, 다시 말해 동기 경로의 지연 증가가 없다.
- 세부: GenRec(채점 함수)이나 Gryphon-v2(생성 retrieval과 rank)와 달리, LLM을 동기 랭킹 경로 밖에 두는 메커니즘이다.
2026-08-13 추가 근거 (레이더가 아니라 정본 반영): Meta ConnectionMind(arXiv 2608.10187, 2026-08-10)에서는 Llama 3.1-8B가 그래프 위 경로 추론기로 쓰인다. Netflix GenRec은 "채점 함수"이고 ConnectionMind는 "그래프 경로 추론기"이므로, 자리 3(LLM을 랭커로 쓰는 자리)의 실체가 회사마다 다르다는 새 관전 포인트가 생겼다. → services/facebook.md, topics/llm-in-recsys.md
- 세부: 이 LLM은 헤비 유저 5–10%의 온라인 hot path에 서빙되고, 나머지 90–95%는 그 LLM이 offline으로 발견한 meta-path로 학습된 Student GNN이 맡는다.
- 세부: 논문은 지면을 공개하지 않고 "short-form video platform"이라고 썼지만, 그래프 스키마로 보아 Facebook일 가능성이 높다. watch time은 +0.43% 올랐다.
2026-08-28 추가 근거: Meta AMBER(arXiv 2608.25546, 2026-08-26)는 상호작용 이벤트 하나를 Event Token 하나로 압축해 LLM 입력에 넣는, 입력 토큰화(input tokenization) 쪽 메커니즘이다. Facebook surface에서 하루 수십억 건의 이벤트를 online encoding으로 서빙한다 확인.
- 세부: "AI at Meta" 소속 저자 15인이 썼다. Event Tokenization이라는 각도로, 각 이벤트에서 유저·아이템·컨텍스트·outcome 신호의 temporal snapshot 전체를 compact Event Token 하나로 압축하고, 이를 LLM 입력의 새 토큰 유형으로 도입한다.
- 세부: 산업 규모의 랭킹·retrieval 벤치마크에서 compute-quality Pareto 전선을 개선했고, non-LLM 랭커에도 feature로 이식할 수 있다(통계적으로 유의하다). Online A/B 수치는 abstract에 공개하지 않았다.
- 세부: GenRec(scoring), ConnectionMind(graph reasoning), MetaStrategy(offline policy compiler) 어느 것과도 다른 자리를 건드린다. 즉 Meta 안에서도 LLM 기반 recsys 접근이 최소 두 축(그래프 추론기와 입력 인코더)으로 갈라졌다.
2026-09-07 추가 근거: Spotify GLIDE와 LinkedIn Follows는 모두 fine-tuned LLM 임베딩을 후보 생성기 채널로 두는 자리에 해당한다. 두 자료로 스레드가 여섯 회사, 진술 일곱 건으로 늘어난다(Netflix·Yandex·Alibaba·Meta 2건·Spotify·LinkedIn). 자세한 분석: daily/2026-09-07.md
- 세부: Spotify GLIDE(From Models to Products: LLMs for Recommendation at Spotify Scale, 2026-08-03 블로그)는 1B LLM과 Semantic ID 기반의 후보 생성기다. Semantic ID(SID)는 아이템을 의미 토큰 열로 나타낸 식별자를 말한다. GLIDE는 Spotify Home 팟캐스트 발견 지면에 배포됐고, 후단 랭킹 파이프라인에 후보를 공급한다.
- 세부: GLIDE는 21일 A/B에서 ~20M impression 규모로 non-habitual podcast listening +5.4%, new-show discovery +14.3%를 얻었고, 지연·engagement 요구사항은 유지했다 확인.
- 세부: LinkedIn Follows의 출처는 Rebuilding LinkedIn's Follows Recommendations with LLM-Based Semantic Retrieval and Ranking(2026-08-24 블로그)이다. fine-tuned bi-encoder LLM으로 프로필을 자연어 문장으로 재구성(narrative prompting)한 뒤 임베딩한다. 크리에이터 임베딩은 야간 FAISS batch로 만들고, 뷰어 임베딩은 온보딩 시 Proxima로 실시간 추론한다.
- 세부: Follows는 MyNetwork tab과 Home Feed 두 지면에 배포됐고, 프로덕션 A/B에서 follow rate가 통계적으로 유의하게 올랐으며 new member 세그먼트의 lift가 가장 컸다 확인. 구체적인 uplift 백분율은 공개하지 않았다.
- 세부: 두 자료는 Pinterest CLR(Home Feed 후보 생성기의 user tower를 retrieval 컨텍스트로 조건화하는 방식)과 상보적이다. Pinterest는 조건화로, LinkedIn은 프로필의 자연어화로, Spotify는 SID 생성으로 접근한다.
2026-10-12 추가 근거: Pinterest User Journeys(From Activity to Intent, 2026-10-09 블로그)에서는 LLM이 유저 단위 자연어 질의를 생성하며, 동기 경로 밖이라는 점에서 MetaStrategy와 같은 쪽이다. 클러스터링 대비 A/B에서 email CTR이 +1.1%, push open이 +1.3% 올랐다 확인. 자세한 분석: daily/2026-10-12.md
- 세부: frontier teacher에서 distillation한 Qwen3-4B가 360일 활동 로그를 읽고 journey 이름 목록을 배치로 생성한다. 각 이름은 알림 지면의 embedding-based retrieval 질의가 된다.
2026-10-19 추가 근거: Spotify·NVIDIA TensorRT LLM 협업(Advancing Generative Recommendation Inference, 2026-10-16 블로그)은 2026-01부터 프로덕션에 있는 팟캐스트 LLM 추천의 서빙 비용을 다룬다. Qwen3 1.7B 기준으로 beam search 비용이 최대 54%, 채점 비용이 최대 7% 줄었다고 쓴다 확인(비교 기준은 본문에서 명확하지 않다). 자세한 분석: daily/2026-10-19.md
- 세부: beam search로 상위 Semantic ID 시퀀스를 뽑아 카탈로그 아이템으로 바꾸는 생성 워크로드와, 후보 마스킹으로 한 요청에서 여러 후보를 채점하는 워크로드를 나눈다 확인.
- 세부: 기존 유저 임베딩을 단일 soft token으로 투영해 개인화한다 확인.
- 세부: 서빙 경로의 LLM을 "되는가"가 아니라 "얼마에 되는가"로 다룬 진술이다.

생성형 retrieval / semantic ID

무엇: 아이템을 ID 임베딩이 아니라 의미 토큰 열로 표현하고, autoregressive 생성으로 검색을 대체하는 계열이다. Spotify가 PRS 2025에서 semantic tokenization 발표를 했다는 것까지 확인했다 확인.
- 세부: 이 발표는 흔히 Netflix가 한 일로 잘못 알려져 있다. netflix.md의 열린 질문을 참조한다.
왜 주목: 이 방식이 성립하면 임베딩 스토어와 ANN(근사 최근접 이웃 검색) 스택 전체를 대체한다. Netflix GenPage(페이지 생성)와 GenRec(언어화)이 인접한 흐름이다 확인.
지켜볼 것: Google/YouTube 계열 TIGER 후속 연구의 프로덕션 배포 진술을 기다린다 추정. TIGER 원논문(RecSys 2023)은 아직 이 저장소에서 1차로 확인하지 않았고, 다음 수집 때 확인할 예정이다.
2026-08-11 추가 근거: HD-Rec(arXiv 2608.06997, 2026-08-07)은 Kuaishou 시니어 라인(Ruiming Tang, Guorui Zhou, Han Li)이 참여한, SID를 cross-domain으로 넓히는 연구다. 공개 벤치마크 결과뿐이라 프로덕션 진술은 아직 없으므로, Kuaishou 라인이 SID 계열에 합류했다는 신호로만 기록한다.
- 세부: SID를 cross-domain으로 확장하려고 계층 코드북(global coarse와 domain-adaptive fine)과 domain sparse MoE를 함께 쓴다.
2026-08-12 추가 근거: Kuaishou PushDualGen(arXiv 2608.07989, 2026-08-08)은 OneRec(Kuaishou의 생성형 추천 모델)에서 OneRec-Thinking으로 이어지는 다음 세대다. Kuaishou 푸시 추천에 프로덕션 배포했고, 온라인 A/B에서 effective play rate가 상대적으로 +8.50% 올랐으며 불만족률이 상대적으로 −37.70% 내려갔고 롱테일 노출도 개선했다 확인.
- 세부: CoT의 서빙 비용을 피하려고, SID를 먼저 뽑고 건너뛸 수 있는 설명 텍스트(copy)를 붙이는 2단 생성 구조를 쓴다.
- 세부: HD-Rec에 이어 이틀 연속으로 Kuaishou SID 라인이 레이더를 통과했다. 회사 차원에서 SID 라인이 계속 진화하고 있다는 신호다. Netflix GenRec 말고 대규모 A/B 진술이 쌓이는 두 번째 회사이기도 하다.
2026-09-01 추가 근거: Alibaba PailitaoGR(arXiv 2608.26658, 2026-08-27 v1)은 SID 생성형 retrieval을 상품 검색에서 이미지 검색으로 확장하는 시도이고, SID 라인에서 이미지 검색 modality의 첫 진술이다. 오프라인에서 baseline 대비 평균 +13.8% 개선을 냈다고 진술했지만 프로덕션 A/B 수치는 공개하지 않았다 확인.
- 세부: 저자 9인 전원이 Alibaba Group Hangzhou 소속이다(HTML 판에서 소속을 확인했다). Pailitao는 Taobao의 이미지 검색 지면이다.
- 세부: 실사 이미지에는 검색 타깃과 보조 근거(예: 사진 안의 텍스트), 무관한 시각 요소가 함께 담긴다. 논문은 이 문제를 두 축으로 다룬다.
- 세부: target enhancer는 crop 없이 full image에서 검색 타깃 토큰만 집중적으로 강조해서 "Zooming without Cropping"을 구현한다. auxiliary enhancer는 OCR 없이 이미지 안의 관련 텍스트 근거를 선택적으로 뽑아 "Reading without OCR"을 구현한다.
- 세부: 훈련은 on-policy distillation과 contrastive strategy를 조합한다. 훈련·검증 셋은 Pailitao 실제 이미지 검색 로그에서 샘플링했다고 밝혔다.
- 세부: Kuaishou HD-Rec/PushDualGen(단편 비디오·푸시)과 Yandex Music Gryphon-v2/Sona(음악)에 이어 SID 라인의 네 번째 회사다. 프로덕션 지표가 없어서 스레드에 붙는 세기는 약하다.
2026-09-03 추가 근거: Tencent PCG TGR(arXiv 2609.00986, 2026-09-01 v1)은 랭킹·retrieval·slate 생성·reason token을 묶은 4-in-1 생성형 추천 프레임워크다. Kuaishou OneRec 계열에 대한 프로덕션 대응 진술로 회사 규모가 두 번째로 커진 사례이자, HSTU와 OneRec을 한 프레임 안에서 각각 대체 대상으로 명시한 첫 자료다. 자세한 분석: daily/2026-09-03.md
- 세부: TGR Team 13인이 Tencent Platform and Content Group(PCG) 소속으로 냈고, Tencent PCG의 다섯 지면에서 A/B와 프로덕션 배포를 진술했다. 다섯 지면은 news feeds, short videos, long videos, music, web novels이고, 논문은 이를 익명의 Scenario 1~5로 표기한다.
- 세부: CCFormer(Transformer ranking, HSTU/DLRM 대체)는 Scenario 1과 2에 fully launched됐다 확인. CTR +3.57%, ad revenue 1.71% 상승을 얻었고, HSTU 대비 GFLOPs는 절반이며 훈련은 2.21x 빠르다 확인.
- 세부: BARGE(계층 semantic ID 생성 retrieval)는 오프라인 Hit@5에서 OneRec을 10.2–16.9% 앞섰다 확인. generative retrieval 채널로는 전면 배포됐고(fully rolled out as a generative retrieval channel), CTR +0.60%, reading time 1.70% 상승을 얻었다 확인.
- 세부: HiGR(whole-slate 생성)은 OneRec 대비 slate quality가 +15.9–21.3%이고 추론 속도는 5x다. 세 시나리오 A/B에서 watch time +1.22%, video views 1.73% 상승을 얻었지만, 프로덕션 launch는 아직 명시하지 않았다.
- 세부: TGR-Reason에서는 LatentRec으로 학습한 Think 모델이 semantic-ID reason tokens를 오프라인으로 생성하고, 서빙 시 프롬프트로 주입한다. 콜드스타트 new-user Hit@1은 +477.8%이고, 온라인에서는 effective consumption이 +1.75%, new-user conversion이 13.09% 올랐다.
- 세부: 심층 분석이 필요한 항목은 BARGE의 OSQ-VAE codebook 구조, HiGR의 PCRQ-VAE와 OneRec SID의 실질 차이, Think 모델 백본과 reason token 코퍼스 규모, Scenario→제품 매핑이다.
2026-09-07 추가 근거: Spotify GLIDE는 1B LLM이 Semantic ID 토큰 시퀀스를 생성해 카탈로그 아이템으로 매핑하는 후보 생성기이고, SPDD는 디코딩 시점에만 개입하는 컨트롤러다. Kuaishou PushDualGen이 SID와 건너뛸 수 있는 copy로 서빙 비용을 피했다면, SPDD는 서빙 모델을 그대로 두고 디코딩 정책만 바꾸는 대안 각도다. 자세한 분석: daily/2026-09-07.md
- 세부: GLIDE(From Models to Products, 2026-08-03 블로그)는 Spotify Home 팟캐스트 지면에 프로덕션 배포됐다 확인. 21일 A/B에서 ~20M impression 규모로 non-habitual listening +5.4%, new-show discovery +14.3%를 얻었다 확인.
- 세부: SPDD는 Stochastic Primal-Dual Decoding의 약자다(Balancing Multiple Objectives in Generative Recommendations with Adaptive Decoding, 2026-08-07 블로그). 사전 학습된 generative recommender의 디코딩(inference) 시점에만 개입하는 lightweight 컨트롤러다.
- 세부: SPDD는 auxiliary objective(예: relevance와 diversity, relevance와 novelty)의 가중치를 진행 상황에 따라 동적으로 조절하며, 재학습을 요구하지 않는다.
- 세부: Spotify SASRec 플레이리스트 랭킹의 프로덕션 A/B(~100만 유저 × 60만 플레이리스트)에서 auxiliary stream-share는 +5.44%로 fixed-weight의 +3.60%보다 높았고, 유저 소비는 줄지 않았다 확인.
2026-09-09 추가 근거(뒤늦은 발견): Shopify Foundational Generative Recommender(Shopify Engineering, 2026-02-25)는 아직 SID 없이 large embedding table 방식으로 HSTU 기반 생성형 recommender를 프로덕션 배포한 뒤, semantic ID를 다음 단계로 명시했다 확인. 자세한 분석: daily/2026-09-09.md
- 세부: 다음 단계로 꼽은 이유는 "products are modeled independently…very large embedding tables…bottleneck"이다 확인.
- 세부: Kuaishou PushDualGen·Spotify GLIDE·Tencent BARGE는 SID를 이미 배포한 상태에서 나온 후속 개선이다. HD-Rec과 PailitaoGR에는 프로덕션 배포 진술이 없다. 반면 Shopify는 SID 도입 직전 단계의 진술이라는 점에서, 채택이 임베딩 테이블 규모 문제를 실무로 느끼는 회사에서 순차적으로 진행된다는 관찰과 부합한다.
2026-10-15 추가 근거: WeChat WeGR(arXiv 2610.16979, 2026-10-12 v1)은 WeChat 전자상거래 검색의 생성형 retrieval로, 초록 기준 2개월 온라인 A/B에서 주문 +2.539%를 얻었다 확인(초록). 검색 지면이라 피드와 거리가 있지만, 아래 "지난 신규 (2026-08~09)"의 Tlow(flow 기반 아이템 토크나이저)에 이어 같은 회사의 두 번째 SID 프로덕션 진술이다.
- 세부: 본문은 읽지 않았다. 같은 A/B에서 CTR +1.508%, 전환율 +1.381%, CPU·GPU 사용량 −25.5%·−26.1%였고, WeChat의 여러 검색 지면에 배포됐다 확인(초록).
- 세부: 협업 신호를 넣고 codebook collapse를 막는 SID 토크나이저(CoCo-VAE)와, SID 정확 일치 보상이 희소한 문제를 SID 계층별로 보상 범위를 넓혀 푸는 RL(DHPO)을 묶었다. 이 자료는 "SID 계층별 부분 보상"이라는 RL 설계 축을 이 스레드에 더한다.
2026-10-16 반대 근거: Shopify의 Revisiting Generative vs. Dense Retrieval(arXiv 2610.19065, 2026-10-13 v1)은 이 스레드에서 처음으로 생성형 retrieval(GR)의 우위 주장을 정면으로 반박하는 플랫폼 기업 자료다. Amazon Toys 공개 데이터에서 GR이 dense retrieval(DR)보다 나아 보이는 차이의 대부분이 인기도에서 온다고 보고, DR 점수에 같은 정적 아이템 가치를 한 번 섞으면 차이가 뒤집힌다고 주장한다 확인.
- 세부: 저자 3인이 Shopify 소속이다(1인은 University of Toronto 겸직이며, HTML 판에서 확인했다). 온라인 A/B는 없고 오프라인 비교다.
- 세부: 사내 대규모 e-commerce 데이터에서도 비교 결과를 이렇게 적었다: "a 14B SID-LLM still underperforms a 47× smaller dense encoder" 확인
- 세부: 4세대+N은 이 노트들이 4세대 공개 뒤의 X 커밋에 차례로 붙인 번호다. X도 4세대+34에서 SID retrieval을 다른 채널과 함께 운영하므로 대체가 아니라 병행 쪽 근거가 된다 추정. X 코드에서 SID 채널이 기존 two-tower(사용자와 아이템을 따로 임베딩하는 retrieval 모델)를 대체하지 않고 소스 하나로 추가됐다는 점이 근거다.
2026-10-21 추가 근거: Alibaba Taobao·Tmall의 Don't Rewrite the SID Map(arXiv 2610.26105, 2026-10-19 v1)은 SID 배정을 다시 하면 이미 배포된 생성형 retrieval의 디코딩 경로가 깨진다고 정량화한 첫 운영 진술이다. 기존 아이템 SID는 고정하고 새 아이템만 끼워 넣는 warm-start 갱신으로 3주 A/B에서 GMV +1.16%를 얻었다 확인. 자세한 분석: daily/2026-10-21.md
- 세부: 저자 7인 전원이 Taobao & Tmall Group of Alibaba 소속이다(HTML 판에서 확인). 지면은 e-commerce 검색이다.
- 세부: 67일 로그 실험에서 beam 1일 때 매핑 갱신이 HitRate를 41.78–62.05% 떨어뜨렸고, beam 1000에서는 8.33–10.85%만 떨어져 큰 beam이 악화를 가린다고 보고했다 확인(초록).
- 세부: 같은 A/B에서 UCTCVR은 +0.29%였다 확인(본문). 기존 아이템 +9%, 신규 아이템 +109% 개선은 오프라인 수치다.
2026-10-21 추가 근거 (레이더가 아니라 정본 반영): Meta GenRecs Tokenization(블로그, 2026-10-19)은 광고 랭킹과 retrieval의 아이템 표현을 "안정적인 의미 어휘"의 토큰 열로 바꿨고, GEM과 함께 전환 +0.35%를 냈다고 쓴다 확인. 같은 날 Alibaba 논문과 함께 SID 어휘의 안정성이 운영 쟁점으로 올라왔다 추정. → llm-in-recsys.md, 자세한 분석: daily/2026-10-21.md
- 세부: 위 추정의 근거는 두 자료가 각자 "stable vocabulary"와 "topology preservation"을 핵심 설계 원칙으로 내세운다는 점이다. 다만 Meta의 "stable"은 금방 사라지는 아이템 ID와 대비한 말이고, Alibaba가 다룬 SID 재배정 문제를 직접 다루지는 않는다.

학습되는 인덱스 (index-as-model) — 유기 피드로 넘어오나

무엇: 인덱스를 정적 자료구조가 아니라 모델 텐서이자 학습 대상으로 만드는 흐름이다. Meta Andromeda/HILL은 광고 문헌이고, SilverTorch는 블로그가 UGC 피드·영상 retrieval 시스템이라고 쓴다 확인. → embedding-retrieval.md
왜 주목: 광고에서 검증된 스택이 유기 피드로 넘어온 전례가 많다. 학습형 인덱스(Andromeda/HILL)를 유기 피드에 적용했다는 1차 진술은 없다 추정(진술이 없다는 뜻이며, 살펴본 코퍼스는 topics를 참조한다).
지켜볼 것: 유기 피드(organic feed)에 같은 스택을 적용했다는 진술이 나오는지, Meta가 아닌 회사가 학습형 인덱스를 채택하는지 지켜본다.

이번 달 신규

TransX (LinkedIn) — 시퀀스 인코더·behavior memory·후보 조건부 fusion을 따로 키우는 랭킹 프레임워크, 서빙 분리로 HSTU 계열 대비 요청당 FLOPs ~5배

무엇: TransX는 랭킹 모델을 독립적으로 확장할 수 있는 세 부품으로 나누고, 서빙도 세 단계로 분리한 프레임워크다.
- 세부: 세 부품은 다음과 같다.
  - 유저 행동 시퀀스 인코딩
  - 후보와 무관한 압축 behavior memory: 최근 행동은 고해상도로, 과거 행동은 저해상도 요약으로 담는다.
  - 후보 조건부 cross-attention fusion
- 세부: 서빙의 세 단계는 offline bulk 상태 구축, nearline 증분 갱신, online 예측이다.
왜 주목: 초당 ~20K 요청, 요청당 후보 0.5K–1.2K인 "social recommendation application"의 A/B에서 Base가 시퀀스 모델 baseline 대비 CTR +6.02%, conversion +4.45%를 기록했다 확인. 같은 총 서빙 비용에서 HSTU 계열 baseline의 약 5배 FLOPs를 쓴다 확인.
- 세부: 변형별로는 retrieval 변형이 two-tower 대비 CTR +2.96%, ranking 변형이 DLRM 대비 conversion +1.33%를 기록했다 확인.
- 세부: 지면이 LinkedIn 피드인지는 본문에 명시되지 않았다 추정. 근거는 소속과 "social recommendation"이라는 표현뿐이다.
근거: 확인 arXiv 2610.20913, 2026-10-14 v1. 저자는 8인이고, 교신 저자 외 이메일 도메인이 @linkedin.com이다(HTML 판에서 확인).
상태: 관찰 (심층 분석 필요). LinkedIn은 추적 서비스가 아니다. 확인할 것은 전면 롤아웃 여부, A/B 기간, memory KV 크기와 nearline 갱신 주기다. 자세한 분석은 daily/2026-10-17.md에 있다.

Pinterest User Journeys — 활동 로그를 읽고 journey 이름을 생성하는 Qwen3-4B, 알림 retrieval 질의로 배포

무엇: Pinterest는 유저의 장기 목표(journey)를 5단계 키워드 클러스터링 대신 fine-tuned Qwen3-4B의 한 번 생성으로 추론한다. 출력된 이름은 알림 지면의 임베딩 기반 retrieval(EBR) 질의가 되고, 기존 Pin ranking이 순위를 매긴다.
- 세부: 서빙은 ~100 GPU에서 ~775 rps를 처리하고, p95는 ~3.0초다.
왜 주목: US·Canada A/B에서 클러스터링 대비 email CTR +1.1%, push open +1.3%를 기록했고, sitewide engagement와 retention의 변화도 유의했다 확인. 다국어 롤아웃에서도 같은 방향이었다 확인.
- 세부: 글은 프롬프트가 diversifier와 negative 필터를 대체했다고 진술한다.
근거: 확인 From Activity to Intent, 2026-10-09, Pinterest Engineering(블로그).
상태: 관찰. Pinterest는 추적 서비스가 아니다. SID 입력과 feedback-as-edit preference optimization은 실험 중이고, 후속 글이 예고됐다. 자세한 분석은 daily/2026-10-12.md에 있다.

GEAR (Douyin / ByteDance) — generative end-to-end ad retrieval이 Douyin Ads 수억 DAU 프로덕션에 배포, representation collapse(BasisVQ orthogonal basis)와 item collision(context-conditioned reranking head) 두 병목 동시 해결

무엇: GEAR는 생성형 광고 retrieval 프레임워크다. tokenizer, generator, reranker를 함께 end-to-end로 최적화하는 접근으로 산업 규모 생성형 retrieval의 두 병목을 함께 공략한다.
- 세부: 생성형 retrieval은 아이템을 ID 임베딩이 아니라 의미 토큰(Semantic ID) 시퀀스로 표현하고, autoregressive 생성으로 검색을 대체한다. 산업 규모에서는 알려진 병목이 두 가지 있다.
  - 표현 붕괴: tokenizer가 분포 변화 아래 degenerate하게 수렴해 end-to-end 적응이 불안정해지는 문제다.
  - 아이템 충돌: 거대한 후보 풀에서 서로 다른 아이템이 같은 토큰 시퀀스를 공유해 retrieval 정밀도가 떨어지는 문제다.
- 세부: 두 문제는 결합돼 있어서, 충돌을 완화하려고 codebook 용량을 키우면 붕괴가 심해진다.
- 세부: GEAR는 세 가지 장치로 두 병목을 다룬다.
  - BasisVQ는 codebook을 orthogonal basis로 reparameterization한다. 이로써 global gradient sharing과 latent space의 rigid spatial rotation이 가능해지고, gradient dynamics가 안정된다.
  - prefix-aware BasisRQ로 확장해, 같은 asymptotic time complexity 안에서 codebook 표현력을 키운다.
  - context-conditioned reranking head를 생성 프로세스 안에 넣어, 충돌하는 아이템을 최소 overhead로 분리한다.
왜 주목: Douyin Ads에서 수억 DAU를 대상으로 프로덕션에 서빙되고 있다 확인. 구체 지표는 abstract에 공개되지 않았다.
- 세부: 논문의 직접 인용이다: "It currently serves hundreds of millions of daily active users on Douyin Ads, yielding substantial empirical improvements in extensive online A/B tests".
- 세부: 저장소 코퍼스에서 생성형 retrieval이 광고 지면에 안착한 사례로는 지금까지 Alibaba의 두 자료가 있었다.
  - 디스플레이 광고 TransRetrieval(2026-08-28, Transformer scaling): SID 생성이 아니라 scaling 축이었다.
  - PailitaoGR(2026-09-01, 이미지 검색): 프로덕션 A/B 수치가 공개되지 않았다.
- 세부: GEAR는 광고 지면에 SID 생성형 retrieval을 Douyin이라는 네 번째 회사에서 안착시켰다는 명시적 진술이다. representation collapse와 item collision이라는 두 축의 구조적 문제를 함께 다룬 첫 자료이기도 하다.
- 세부: 2026-09 산업 generative retrieval 각도에서는 네 번째 진술이다. 앞선 진술은 다음 셋이다.
  - Snap GRP v0.1(2026-09-29, encoder-decoder 통합)
  - Tencent PCG TGR(2026-09-01, 4-in-1 생성형 recsys)
  - OneTrans-V2(2026-09-23, 3단 cascade 통합)
근거: 확인 arXiv 2609.39327, 2026-09-30 v1. 저자 11인 전원이 Douyin(ByteDance) 소속이며, 소속은 HTML 판에서 확인했다.
상태: 관찰 (심층 분석 필요). Douyin(ByteDance)은 추적 서비스가 아니므로 services 정본은 만들지 않는다. 자세한 분석은 daily/2026-10-02.md에 있다.
- 세부: 심층 분석 대상은 다섯 가지다.
  - BasisVQ의 orthogonal basis reparameterization 수식
  - prefix-aware BasisRQ 확장의 수학적 세부
  - context-conditioned reranking head가 생성 프로세스 안에 통합되는 방식
  - A/B 구체 지표(abstract에 수치가 없다)
  - tokenizer·generator·reranker 세 컴포넌트의 joint training objective
- 세부: 관측 지점은 ByteDance 외의 두 번째 회사가 광고 지면에서 generative retrieval을 batch가 아닌 end-to-end tokenizer 최적화로 다루는지다.

HELIX ([추정] TikTok) — feature interaction과 long user-behavior sequence 두 축을 함께 스케일링하는 unified 랭킹 아키텍처, TikTok e-commerce 프로덕션에 배포되어 A/B에서 GMV per user ~+6%

무엇: HELIX는 산업 추천 랭킹 모델을 두 축으로 함께 스케일링하는 "purified and unified" 아키텍처다. 논문은 어느 한 축만 키우면 scaling-law slope가 서브옵티멀하다는 것을 관찰하고, 두 축을 함께 확장하는 프레임을 제안한다.
- 세부: 산업 랭커는 대개 다음 두 축으로 확장한다.
  - heterogeneous feature interaction: user·item·context·cross feature의 조합
  - long/multi-type user-behavior sequence modeling
왜 주목: TikTok e-commerce 프로덕션에 배포됐고, A/B에서 GMV per user +~6%를 기록했다 확인.
- 세부: 논문의 직접 인용이다: "In online A/B tests, it achieves an approximately 6% increase in e-commerce video GMV per user".
- 세부: 오프라인에서는 CTR AUC, CVR AUC와 기타 랭킹 메트릭이 일관되게 개선됐다.
- 세부: 논문의 핵심은 기존 두 확장 계열이 각각 서브옵티멀임을 시사하는 관점이다. 두 계열은 Meta HSTU / GEM 계열의 sequence-only 확장과 DCN·xDeepFM 계열의 feature-interaction 확장이다.
- 세부: Meta HSTU·Meta LLaTTE·Alibaba TransRetrieval 등에 이어 나온 스케일링 법칙 진술이고, 두 축 동시 확장을 명시적으로 요구한 첫 사례다.
- 세부: TikTok e-commerce에서는 그동안 두 계열의 공개가 이어져 왔다. 하나는 광고 경매를 다룬 EGA 계열이고, 다른 하나는 단일 인퍼런스 서비스인 GreenLightning 계열이다. feature-interaction과 long sequence를 통합한 랭킹 아키텍처가 정식으로 이름 붙어 나온 것은 이번이 처음이다.
근거: 확인(초록 문구) arXiv 2609.37183, 2026-09-29 v1, 저자 21인. v1 HTML 렌더링이 404여서, 저자 소속은 초록의 "Deployed in TikTok's e-commerce recommendation system" 문구를 근거로 TikTok(ByteDance)으로 판단한다 추정.
상태: 관찰 (심층 분석 필요, affiliation 확인 대기). TikTok/ByteDance는 추적 서비스가 아니므로 services 정본은 만들지 않는다. v2·HTML 렌더링 복구·회사 블로그 발표가 나오면 [추정]을 [확인]으로 승격한다. 자세한 분석은 daily/2026-10-01.md에 있다.
- 세부: 심층 분석 대상은 세부 아키텍처와 두 축의 상호작용 분석이다. 세부 아키텍처에서는 어떤 interaction 구조와 어떤 sequence 인코더를 쓰는지, 두 축의 scaling-law slope 실측치가 얼마인지를 본다.
- 세부: 관측 지점은 TikTok e-commerce가 GreenLightning 위에 어떻게 올라갔는지, 그리고 다음 회사(Kuaishou·Meta·Alibaba)가 두 축 동시 확장을 진술하는지다.

GRP v0.1 (Snap) — retrieval · ranking · reward를 단일 encoder-decoder로 통합하는 generative recommendation 프레임워크, 프로덕션 A/B view time +0.82% · shares +2.56% · serving latency −69%

무엇: GRP(Generative Recommendation Platform으로 추정)는 generative recommendation 프레임워크다. 산업 추천의 retrieval → pre-rank → fine-rank → reward 다단 cascade를 단일 encoder-decoder 모델로 통합한다. 같은 모델이 후보를 만들고, 채점하며, RL 학습의 보상 신호를 제공한다.
- 세부: 프레임워크의 기둥은 둘이다.
  - multimodal Semantic ID 생성: 후보 아이템을 discrete SID token sequence로 나타내고, autoregressive decoder가 이를 생성한다.
  - joint Multi-Head Prediction(MHP): 후보 스코어링을 맡으면서 RL post-training의 frozen reward를 겸한다. 이 RL post-training은 mGRPO(reference-anchored margin GRPO)다.
왜 주목: Snap 프로덕션 A/B에서 bypass와 source replacement 조합이 view time +0.82%, shares +2.56%를 기록했고, platform-level guardrails는 neutral이었다 확인. serving 최적화로 end-to-end retrieval latency −69%를 기록했다.
- 세부: 논문의 직접 인용이다: "0.82% in view time and 2.56% in shares, with neutral platform-level guardrails".
- 세부: retrieval-only 조합은 view time +0.46%, shares +0.77%였다 확인. retrieval bypass 조합에서는 "+0.24% views, −0.24% view time, +2.30% shares (p<0.05)"였다.
- 세부: encoder-decoder 통합 generative recsys의 세 번째 진술이자 첫 회사(Snap)다. 앞선 두 진술은 다음과 같다.
  - OneTrans-V2: retrieval, pre-rank, fine-rank cascade를 단일 Transformer로 통합했고, GMV +9.74%를 기록했다(2026-09-26 radar).
  - Tencent PCG TGR: 랭킹·retrieval·slate 생성·reason token을 한 프레임에서 다루며, 5개 지면에 배포됐다.
- 세부: reward까지 같은 모델 안에서 처리하는 mGRPO joint MHP 축과 multimodal SID 생성 축은 앞선 두 진술에 없던 부분이다.
- 세부: 서빙 latency −69%는 다단 cascade 대비 큰 절감이다. encoder-decoder 통합이 latency 예산까지 정당화하는지가 industrial-scale generative recsys 채택의 핵심 기준이라는 신호다.
근거: 확인 arXiv 2609.36688, 2026-09-29 v1, 저자 22인. v1 HTML에 조직명 "Snap Inc."가 렌더링됐고, 개별 저자 매핑은 렌더링되지 않았다.
상태: 관찰 (심층 분석 필요). Snap은 추적 서비스가 아니므로 services 정본은 만들지 않는다. 자세한 분석은 daily/2026-10-01.md에 있다.
- 세부: 심층 분석에서는 26 pages · 11 tables 원문을 통독해 다음을 확인한다.
  - mGRPO reference anchor의 구체 계산
  - joint MHP가 frozen reward로 쓰이는 방식
  - multimodal SID codebook 구조
  - retrieval-only vs bypass vs combined 세 A/B 조합의 배포 조건
- 세부: 관측 지점은 Snap이 TIGER 계열 SID를 어떻게 멀티모달로 확장했는지, OneTrans-V2·TGR과 아키텍처상 어떤 축이 다른지다.

지난 신규 (2026-08~09)

PEAR (익명 e-commerce, [추정] Alibaba 라인) — 산업 검색용 progressive-verifier autoresearch, 4-계층 verifier ladder + hypothesis-guided per-task state, A/B 두 건에서 Main Order/DAU +2.7336% · +3.2957%

무엇: PEAR는 산업 검색 시스템에서 후보 정책(candidate modification)을 자동 탐색하고 A/B로 검증하는 리서치 오케스트레이션 프레임워크다. 이름은 Progressive Evidence-Based AutoResearch의 약자다.
- 세부: 논문은 기존 방식의 두 문제를 두 축으로 해결한다고 주장한다.
  - keep-if-better 규칙이 non-stationary traffic 아래에서 transient 이득을 persistent 이득으로 오인하는 문제
  - 개별 신호에 의존하는 평가 방식이 evidence를 통합해 탐색을 유도하지 못하는 문제
- 세부: 첫째 축은 Evidence-driven AutoResearch다. 전략 태스크마다 predefined objective와 intervention scope 안에서 독립적인 hypothesis-guided research state를 가진다. 이 상태는 Plan → Execute → Evaluate → Update 루프로 진화하며, 실험 결과를 context-aware하게 해석해 hypothesis를 갱신한다.
- 세부: 둘째 축은 Confidence-Gated Verifier Ladder다. 평가를 신뢰 순으로 4-계층으로 나누고, unified confidence-based gate가 통계적으로 유의한 양성이 확보될 때만 다음 계층으로 promote한다. 계층은 Offline Replay → Shadow-Traffic Evaluation → Rapid Online Evaluation → Decision-Grade Online Evaluation 순이다.
왜 주목: 실제 산업 검색 시스템의 A/B 두 건에서 Main Order/DAU가 +2.7336%, +3.2957%로 기록됐다 확인.
- 세부: 두 자릿수 자릿까지 준 정밀도와 "Main Order/DAU"라는 지표(주문 수 / DAU)는 e-commerce 지면의 표준 KPI다.
- 세부: 2026-09에 리서치 자동화 각도가 명시적으로 이름 붙어 나온 세 번째 자료다. 세 자료는 자리가 서로 다르다.
  - Meta VDD EvoPilot: 검색 retrieval 각도
  - Kuaishou 추정 AgentX-Model: recommender 리서치 루프 전체 각도
  - PEAR: 산업 검색 자동화의 verifier 계층 각도
- 세부: AgentX-Model이 리서치 오케스트레이션을 dual-agent(Research와 Model)로 분해했다면, PEAR는 평가 신뢰도를 계층으로 분해했다. 두 축은 상호 배타적이지 않으므로, 이 각도의 프로덕션 진술이 어디까지 확장되는지를 관찰한다.
근거: 확인 arXiv 2609.35031, 2026-09-28 v1. 저자 9인의 소속은 "Global E-Commerce Agentic Search Team"으로만 표기됐고 회사명은 없다. 팀 브랜딩과 저자 명단(Yu Gong 등)이 Alibaba International Digital Commerce의 AliExpress/Lazada 라인과 일치해 이 라인으로 본다 추정.
상태: 관찰 (심층 분석 필요, affiliation 확인 대기). Alibaba/JD International 도메인은 추적 서비스가 아니므로 services 정본은 만들지 않는다. 자세한 분석은 daily/2026-09-30.md에 있다.
- 세부: v2·회사 블로그·혹은 Alibaba/JD Tech Blog에서 공식 대응 게시가 나오면 추정을 확인으로 승격한다.
- 세부: 심층 분석 대상은 4-계층 verifier ladder의 단계별 트래픽 크기, gate threshold, 통계 방식이다. 다음 관측 지점은 AgentX-Model과의 축 비교, 그리고 verifier 신뢰 계층 분해가 다른 회사에서도 나오는지다.

KuaFu (Tencent 추정) — behavior item 단위 two-axis 압축으로 프로파일링 파이프라인을 대체, 주간 10억 유저·100K QPM 규모에 10개월 배포, GMV +1.37% (95% CI [0.71%, 2.03%]) · 190 GPU 절약

무엇: KuaFu는 산업 규모 추천 시스템의 유저 프로파일링 파이프라인을 위해 raw 행동 시퀀스를 압축하는 표현 레이어다. 태스크별 모델이 시퀀스를 따로 자르는 관행 대신, behavior item 하나를 최소 압축 단위로 잡고 item마다 독립적으로 압축한다. downstream profiling 태스크들은 이 캐시를 공유한다.
- 세부: Two-axis projector가 각 item 임베딩을 2–4 tokens × width 128–256으로 줄인다. 그 결과 per-item 캐시가 10 KB → 0.5 KB로 감소한다(토큰 축 10×, width 축 20×).
- 세부: 훈련은 4단계로 쌓인다.
  - understanding: 재구성
  - post-training: 42 태스크 유형의 layered-difficulty 데이터
  - co-training: 압축과 생성을 동시에 다루고, reconstruction에 sequence-length curriculum을 쓴다.
  - hallucination-aware RL: 압축과 projector는 freeze하고, decoder만 DAPO로 업데이트한다.
- 세부: RL의 reward는 네 hallucination 유형에 harm 가중치를 준다. 가중치는 fabrication 0.45, date misattribution 0.24, broken logic 0.24, missed detection 0.07이다.
왜 주목: 주간 10억 유저, aggregate 100K QPM 규모의 profiling 파이프라인에 배포됐다. 추가 10개월 관측에서 GMV +1.37% (95% CI [0.71%, 2.03%])가 나왔다. 오프라인에서는 per-GPU throughput +37–350%, GPU 190대 절약을 기록했다 확인.
- 세부: A/B는 unique visitor 단위였다. 4주 내 0% → 100% rollout 후 5% 홀드아웃을 남겨 관측을 이어 갔고, 두 arm은 동일 GPU·스토리지 예산 아래에 있었다.
- 세부: 오프라인에서는 4개 프로덕션 profiling task의 5 headline metric 전부에서 uncompressed single-task 프로덕션 모델과 매치되거나 상회했다 확인.
- 세부: 공개 벤치마크로는 MRQA out-of-domain에서 기존 compressor 대비 최대 +17.7 EM을 기록했다. RecBench에서는 KuaFu 4B가 8B보다 1.90 point 높았다.
- 세부: Hallucination-aware RL은 fabrication hit rate를 33.5 → 4.5(~29 pp 감소)로 낮추고, fully-correct rate를 +34.0 pp 올렸다.
- 세부: 저장소 코퍼스에서 ChronicleRec (Tencent PCG)은 랭커의 입력 캐시(target-independent Chronicle Token)에 집중한다. KuaFu는 profiling 파이프라인 자체를 공유 압축 위에서 재구성한다는 점에서 자리가 다르다.
- 세부: 입력 tokenization을 다룬 Meta AMBER, 오프라인 factorial 비교인 Comcast LLM profiling과 대비되는 profiling 축의 첫 대규모 프로덕션 A/B 진술이기도 하다.
근거: arXiv 2609.31045, 2026-09-25 v1. 저자 11인의 소속은 HTML 판에 렌더링되지 않는다. 본문이 "deployed on the Tencent advertising and recommendation platform for ten months"라고 진술하고 저자 중 Jie Jiang이 ChronicleRec (Tencent PCG) 저자 명단과 일치하는 것으로 보아, Tencent 광고·추천 라인으로 판단한다 추정.
- 세부: 저자는 Jiahao Hui·Lin Zhu·Yishen Hu·Jingdong Shu·Zetai Jiang·Xining Ran·Ben Tan·Yeshou Cai·Gong Chen·Haijie Gu·Jie Jiang이다.
상태: 관찰 (심층 분석 필요, affiliation 확인 대기). Tencent는 추적 서비스가 아니므로 services 정본은 만들지 않는다. v2·회사 블로그 발표가 나오면 [추정]을 [확인]으로 승격한다. 자세한 분석은 daily/2026-09-29.md에 있다.
- 세부: 심층 분석 대상은 세 가지다.
  - Content-interest summarization 외 나머지 3개 profiling task의 정확한 정의
  - 4단계 훈련 각각의 데이터 크기와 손실 함수
  - hallucination-aware RL이 refusal drift와 어떻게 균형을 맞추는지
- 세부: Tencent 광고·추천 라인은 랭커 자리의 ChronicleRec와 profiling 자리의 KuaFu로 lifelong user modeling을 밀고 있다. 이 방향이 더 확대되는지를 관찰한다.

Pinterest 3-Tower Engagement Co-Train — 광고 lightweight ranking을 two-tower 밖으로, 프로덕션 A/B에서 CTR·gCTR30·oCTR 각 ~1% 상승·CPC ~1% 감소로 launched

무엇: Pinterest 광고 스택의 표준 광고 lightweight ranking 모델이다. 기존 two-tower 모델의 query·Pin 두 tower는 그대로 두고 cross tower와 inter module을 더해, 같은 모델이 후보 전량에는 빠른 two-tower 점수를, 최상위 서브셋에는 정확한 three-tower 점수를 동시에 낸다.
- 세부: Cross tower는 세 종류의 유저 시퀀스와 네 종류의 후보 피처를 입력으로 받는다. 후보 피처로 만든 query token이 유저 시퀀스와 cross-attention을 수행한다.
  - 유저 시퀀스: organic engagement, ads engagement, search history
  - 후보 피처: advertiser ID, campaign ID, GraphSAGE 임베딩, Pin PinnerSAGE 임베딩
- 세부: Inter module은 query·Pin·cross 세 임베딩을 shared-bottom MLP로 합쳐 세 태스크의 logit을 생성한다.
  - pCTR: 클릭 확률
  - pGCTR30: 30초 이상 지속되는 good click 확률
  - pOCTR: 광고주 사이트로의 outbound click 확률
- 세부: 서빙은 두 stage로 나뉜다.
  - Stage 1은 co-train된 two-tower head로 후보 전량을 채점한다.
  - Stage 2는 utility 상위 40K만 three-tower로 재채점한 뒤, 두 점수를 blending해 최종 top-K를 뽑는다. 이 상위 구간은 Home Feed·Related Pins에서 70퍼센타일, Search에서 90퍼센타일 수준이다.
- 세부: Loss는 three-tower인 main 항에 강한 가중치를, two-tower인 co-train 항에 보조 가중치를 준다.
  - 식은 L = (100·L_main_ctr + 5·L_main_gctr30 + 1·L_main_octr) + (10·L_cotrain_ctr + 5·L_cotrain_gctr30 + 1·L_cotrain_octr)이다.
왜 주목: 표준 광고 프로덕션 A/B에서 CTR·gCTR30·oCTR은 각각 ~1% 오르고 CPC는 ~1% 줄었으며, 모델은 GPU 지출이 modest하게 느는 선에서 launched됐다 확인.
- 세부: 오프라인 손실은 three-tower 예측에서 ~30% 줄었다. baseline은 기존 프로덕션 two-tower 모델이다.
- 세부: 서빙 최적화 결과는 정량으로 나와 있다.
  - BF16 도입: 50K 후보 기준 P99 103ms → 56ms, 20K 후보 기준 45ms → 26ms
  - user feature의 late expansion: 100K 후보에서 -15ms
  - pre-layer normalization: -3ms
  - Pin 전처리를 Pin tower로 이동: -2ms
- 세부: 이들을 합쳐 P99 모델 추론이 200ms 이상 → 30ms로 줄었고, 프로덕션 대비 지연 증가는 1-2ms에 그쳤다.
- 세부: 저장소 코퍼스에서 Pinterest CLR은 유기 Home Feed의 후보 생성 축을, PinDCO는 광고 creative 선택 축을 다뤘다. 3-Tower Co-Train은 광고 lightweight ranking 축의 진술이라 자리가 다르다.
- 세부: 특히 "co-train으로 fast + slow 두 헤드를 한 모델에 담고 서빙에서 두 stage로 나누는" 패턴은 저장소의 lightweight ranking 자리에서 처음 나온 프로덕션 진술이다.
- 세부: Nexus 서빙 스택(Part 1)이 candidate generation과 scoring을 분리했고, 이번 Part 2가 그 위에서 스코어링을 확장했다는 시퀀스로 읽힌다.
근거: 확인 Beyond Two Towers: Launching the 3-Tower Engagement Co-Train Model (Part 2), 2026-09-17, Pinterest Engineering. 저자는 8인이고, 마지막 저자는 Manager II, Ads Lightweight Ranking이다.
- 세부: 저자는 Longyu Zhao·Gwendolyn Zhao·Peng Yan·Yuanlu Bai·Yuan Wang·Yao Cheng·Ang Xu·Zhaohong Han이다.
상태: 관찰. Pinterest는 추적 서비스가 아니므로 services 정본은 만들지 않는다. Part 1(Nexus)은 저장소에서 아직 다루지 않았다. 자세한 분석은 daily/2026-09-28.md에 있다.
- 세부: 다음 관측 지점은 Nexus의 candidate generation·scoring 분리 아키텍처다. 두 번째 회사가 광고 lightweight ranking 자리에서 co-train fast·slow 패턴을 진술하는지도 지켜본다. 3-Tower의 후속 방향(더 긴 시퀀스, engagement 이외 objective로의 확장)에 대한 회사의 후속 진술이 나오는지도 본다.

AgentX-Model (Kuaishou 추정) — 산업 recommender 리서치 루프를 dual-agent(Research + Model)로 자동화, 프로덕션 A/B 5건에서 acquisition +10-15% · ad spend +15-20% · watch time +0.3-0.8% · FLOPs −10%

무엇: AgentX-Model은 프로덕션 recommender 팀의 리서치 순환(제안 → 실험 → 다음 질문)을 두 에이전트로 자동화하는 프레임워크다. Research Agent가 논문과 이전 실험에서 독립적으로 리뷰된 제안을 만들고, Model Agent가 그 제안을 코드·측정·미해소 질문으로 옮긴다.
- 세부: Research Agent는 결과를 다시 받아 시작 구현을 선택하고 다음 질문을 짜서, 후속 실험이 이전 결과 위에 쌓이게 만든다.
- 세부: 리서치 액션은 4개다.
  - Reproduce: 재현
  - Follow-up: 확장
  - Composition: 결합
  - Diagnose: 온라인 평가에서 발견된 이슈나 PCOC로 측정된 예측 편향 같은 문제에 대해 진단·수리 후보의 근거를 수집한다.
왜 주목: 프로덕션 A/B에서 acquisition efficiency +10-15%, target-segment advertising spend +15-20%, watch time +0.3-0.8% (5건 평균)를 기록했다. watch-time 모델은 FLOPs와 파라미터를 약 10% 줄였다. 그리고 완료된 model-changing 실험 636건 중 560건(88%)이 비즈니스 baseline 대비 오프라인 AUC를 넘어섰다 확인.
- 세부: 2026-09에 리서치 자동화 각도가 명시적으로 이름 붙어 공개된 두 번째 사례다. 첫 번째는 Meta VDD MBR·EvoPilot의 "37일 human-gated autoresearch 캠페인이 evaluator output-depth 3000/600 결함을 잡아 offline +3.20pp 회복"이다.
- 세부: Meta가 검색 retrieval 개선을 자동화한 각도라면, AgentX-Model은 recommendation 모델 리서치 루프 전체를 자동화한 각도다.
- 세부: dependency-aware historical-replay 벤치마크도 함께 냈다. 초기 결과는 "에이전트가 이미 구체 후보를 분석·선택하는 경우 더 복잡한 스케줄링이 일관된 효율 이득을 주지 않는다"고 진술한다.
근거: arXiv 2609.30001, 2026-09-24 v1, 37 페이지 technical report. 저자 23인의 소속은 v1 HTML 판에 렌더링되지 않는다. 저자에 Peng Jiang(Kuaishou VP)·Wenwu Ou·Zhaojie Liu가 포함되고 선행 AgentX v1에는 Kun Gai·Han Li도 포함돼 있어, Kuaishou 라인으로 판단한다 추정.
상태: 관찰 (심층 분석 필요, affiliation 확인 대기). Kuaishou는 추적 서비스가 아니므로 services 정본은 만들지 않는다. v2·학회 accepted·회사 블로그가 나오면 [추정]을 [확인]으로 승격한다. 자세한 분석은 daily/2026-09-27.md에 있다.
- 세부: 이 자료의 새로움은 랭킹·retrieval 메커니즘 축이 아니라 조직 축이라서, 저장소의 주 관심인 피드 파이프라인 자체와는 거리가 있다. 그러므로 심층 분석은 사람이 지시하면 시작한다.

OneTrans-V2 — 산업 추천의 retrieval + pre-rank + fine-rank 캐스케이드를 단일 Transformer로 통합, GMV +9.74% · throughput 3.2×

무엇: OneTrans-V2는 산업 추천 시스템의 3단 캐스케이드(retrieval → pre-rank → fine-rank)를 하나의 Transformer로 통합하는 접근이다. user behavior sequence는 shared context로 한 번만 인코딩하고, stage별 candidate feature와 computation은 유지한다.
- 세부: Joint training으로 세 stage가 상호 강화되고, in-model knowledge distillation이 fine-rank에서 pre-rank로 흐른다.
- 세부: 백본은 sparse MoE로 확장하고, μP-style parameterization으로 스케일링을 안정화한다.
- 세부: objective별 retrieval 채널을 따로 두는 대신 DCGR(Decision-Conditioned Generative Retrieval)로 통합한다. DCGR은 decision prefix를 먼저 예측한 뒤, 그 prefix에 조건화해 아이템을 생성한다.
- 세부: SNT(Sequence-Native Training)로 시퀀스 인코딩을 노출마다 amortize한다.
왜 주목: 프로덕션 A/B에서 GMV +9.74%, 같은 하드웨어 예산에서 3.2× throughput을 기록했다 확인.
- 세부: 저장소 코퍼스에서 stage 간 통합을 다룬 최근 프로덕션 진술로는 UNIQUE (Baidu, RecSys 2026)와 UniRec (Kuaishou)가 있었다. OneTrans-V2는 여기에 3-stage 전체를 하나의 Transformer로 묶었다는 세 번째 각도를 더한다.
- 세부: A/B 수치도 두 편보다 훨씬 크다. UniRec는 app usage duration +0.616%이고, UNIQUE는 abstract에 A/B 수치를 공개하지 않았다.
근거: 확인 arXiv 2609.28589, 2026-09-23 v1. 저자는 21인(Hannan Cao·Jun Guo·Haolei Pei 등)이고, HTML 판 부록 A가 Foundation Team 12인과 Architecture Team 9인으로 나눈다. 소속 표기는 없고, 교신저자 이메일 도메인이 bytedance.com이라 ByteDance 팀 자료로 판단한다 추정(2026-10-19 확인).
상태: 관찰 (affiliation 확인 대기). HTML 판에 소속 표기가 없어 교신저자 도메인으로만 소속을 판단한 채로 편입한다. 자세한 분석은 daily/2026-09-26.md에 있다.
- 세부: 학회 accepted 통지나 v2에서 affiliation이 확인되면 정본 반영을 재검토한다. 두 번째 회사가 3-stage 전체 통합을 프로덕션에 넣었다는 진술이 나오면 새 topic 승격 후보가 된다.

Comcast Technology AI — LLM-based user profiling for streaming recommendation (offline production comparison)

무엇: Comcast Peacock/Xfinity의 프로덕션 컨텐츠 기반 추천 데이터셋에서, 유저 임베딩을 만드는 두 패러다임을 factorial로 비교한 논문이다. LLM 방식이 훨씬 비싸므로 "언제 그 비용이 정당화되는가"를 묻는 것이 핵심이다. 온라인 A/B는 없다. 어느 Peacock/Xfinity 제품 데이터셋인지도 명시되지 않았다.
- 세부: 비교한 두 패러다임은 다음과 같다.
  - aggregate: 유저의 최근 vs 과거 아이템 임베딩을 수치적으로 집계한다.
  - LLM-generated: 유저 이력을 LLM에 넣어 자연어 요약을 얻고, 텍스트 인코더로 벡터화한다.
- 세부: 두 방식 × temporal disentanglement(recent vs historical) on/off = 4개 조합을 비교한다.
- 세부: 결과는 유저 행동 유형별로 갈리고, accuracy·beyond-accuracy(다양성 등) 축에서 서로 다른 트레이드오프가 관찰된다고 진술한다.
왜 주목: Comcast(Peacock 스트리밍·Xfinity)는 이 저장소의 추적 서비스가 아니었고, 이번이 프로덕션 스택의 첫 공개 신호다.
- 세부: LLM으로 유저 프로파일을 생성하는 접근은 Spotify SPDD·GLIDE 같은 검색·추천에서의 LLM 응용과 각도가 다르다. 디코딩·retrieval이 아니라 유저 표현 자체를 자연어 요약으로 얻는다.
- 세부: 저자들이 factorial 비교로 답하는 "LLM 프로파일이 aggregate보다 얼마나·언제 낫나"라는 질문은, 실제로 LLM 프로파일을 프로덕션에 넣으려는 다른 스트리밍 서비스(Disney+·Paramount+·Hulu 등)가 참조할 수 있는 형태다.
근거: 확인 arXiv 2609.27183, 2026-09-23 v1. HTML 판에서 저자 소속을 확인했다. 저자 4명 중 3명은 Comcast Technology AI(Sunnyvale·Washington DC) 소속이고, 1저자 Milad Sabouri는 DePaul University와 Comcast Technology AI 듀얼 소속이다.
- 세부: Comcast Technology AI 소속 세 저자는 Neeraj Sharma·Sardar Hamidian·Shaghayegh Agah다.
상태: 관찰. 온라인 A/B가 없으므로 프로덕션 검증 강도가 낮다. 자세한 분석은 daily/2026-09-25.md에 있다.
- 세부: 관측 지점은 Comcast가 후속으로 프로덕션 배포와 A/B 결과를 공개하는지, LLM 프로파일 방향이 다른 스트리밍 서비스로 확산되는지다.

Spotify Robust Fusion — QSS + dual-sample dropout으로 LLM reranker의 behavioral 과의존을 억제

무엇: Robust Fusion은 Spotify 개인화 검색의 LLM cross-encoder reranker가 semantic 신호와 behavioral 신호를 융합할 때 생기는 shortcut learning을 억제하는 학습 절차다. 저자들은 deterministic dual-sample feature-dropout을 제안한다.
- 세부: QSS(Query Slice Stats)는 쿼리-후보 쌍의 과거 성공률을 요약한, 상호작용에서 유래한 피처다. 이 피처를 프롬프트에 그냥 실으면 QSS가 있는 슬라이스에서는 랭킹이 올라가지만, QSS가 없는 rare/unseen 쿼리에서는 성능이 떨어진다.
- 세부: dual-sample feature-dropout은 각 학습 예를 QSS 포함 1회, QSS 제거 1회로 두 번 넣는다.
- 세부: 오프라인에서는 QSS가 있을 때 랭킹 품질이 +13.3% 올랐고, QSS-removed 슬라이스에서는 naive QSS 대비 +4.0% 개선됐다. 온라인 A/B에서는 QSS-aware 두 변형 모두 live search success ≈+2%를 기록했다.
- 세부: aggregate test는 dual-sample과 features-only 학습을 구분하지 못하지만, cold-start 비교는 오프라인 결과와 방향이 일치한다고 진술한다.
왜 주목: cross-encoder LLM reranker가 프로덕션 검색에서 A/B로 검증됐다는 진술 자체가 흔치 않다. 다수 논문이 오프라인 지표에서 멈춘다.
- 세부: Spotify는 GLIDE에서 LLM candidate generator를, SPDD에서 inference-time decoding을 배포했다. 이번에는 LLM reranker의 shortcut learning 대응책까지 프로덕션 A/B로 옮겨진다.
- 세부: dual-sample dropout이라는 조절 수단은 behavioral feature가 없거나 stale한 슬라이스에서의 robustness와, 있을 때의 이득을 동시에 확보하는 프로덕션 방법론이다. LLM reranker를 도입하려는 다른 회사에도 그대로 적용 가능한 형태다.
근거: 확인 arXiv 2609.25825, 2026-09-22 v1, USRW Workshop @ RecSys 2026 accepted. 저자 7명 전원의 이메일 도메인이 @spotify.com이다(HTML 판에서 확인).
상태: 관찰. Spotify는 추적 서비스가 아니므로 services 정본은 만들지 않는다. 자세한 분석은 daily/2026-09-24.md에 있다.
- 세부: 관측 지점은 behavioral feature의 dropout이 유기 피드 recommendation의 LLM reranker에도 이관되는지다. 다른 검색 엔지니어링 조직(Amazon·eBay·Booking 등)에서 유사한 dual-sample 학습이 발표되는지도 본다.

UNIQUE (Baidu + Beihang + CityU) — 산업 mobile feed의 unified retrieval + ranking + single-layer flat quantization, RecSys 2026 accepted

무엇: UNIQUE는 산업 mobile feed의 retrieval-ranking pipeline이 가진 두 문제를 두 축의 개선으로 겨눈다. generative code-based retrieval과 target-aware ranking을 early-fusion single architecture로 통합해, shared representation 위에서 end-to-end로 학습한다. 그러면서도 후보 생성의 효율은 유지한다는 접근이다.
- 세부: 두 문제는 다음과 같다.
  - 후보 retrieval에서 hierarchical(RQ-VAE 계열) quantization의 instability
  - 분리된 retrieval과 ranking stage 사이의 정보 손실
- 세부: 저자는 이 접근이 효율적인 후보 생성을 유지하면서 long-tail·cold-start 문제를 겨눈다고 쓰고, 서빙 측정치로 P99 89ms와 온라인 추론 MFU 44.23%를 보고한다.
왜 주목: Baidu는 추적 서비스는 아니지만 대규모 산업 mobile feed(Baidu App)를 운영하는 플랫폼 기업이다. 이번 자료는 RQ-VAE 계열의 hierarchical quantization 불안정성을 single-layer flat quantization으로 대체하는 각도다.
- 세부: 저장소의 생성형 retrieval / semantic ID 스레드에서 SID를 채택한 회사들(Google PLUM, Kuaishou OneRec, Spotify GLIDE, Meta AMBER, Yandex Gryphon 등)은 대부분 hierarchical codebook을 쓴다. UNIQUE는 이와 다른 방향이다.
- 세부: retrieval과 ranking을 early-fusion으로 묶는 각도도 Kuaishou UniRec의 cross-stage joint learning과 다르다. UniRec는 두 stage를 소프트하게 정렬하고, UNIQUE는 하나의 architecture로 통합한다. 이 차이도 데이터 포인트를 하나 더한다.
근거: 확인 arXiv 2609.23718, 2026-09-20 v1, RecSys 2026 accepted. 저자 소속은 HTML 판에서 확인했고, Baidu Inc., Beihang University, Hong Kong Institute of AI for Science (CityU)다.
상태: 관찰 (심층 분석 필요). abstract가 배포 진술과 A/B 수치를 명시하지 않으므로 본문을 정독해야 한다. 자세한 분석은 daily/2026-09-23.md에 있다.
- 세부: 다음 관측 지점은 RecSys 2026 발표에서 Baidu App feed 지면 명시와 프로덕션 수치가 나오는지, single-layer flat quantization이 다른 회사에도 채택되는지다.

MuSeR (Kuaishou) — MGS 위에서 10^4~10^5 규모 유저 이력을 hierarchical temporal compression으로 압축하는 multi-interest 시퀀스 retrieval

무엇: MuSeR(Multi-interest Sequence Representation)는 Kuaishou에 배포된 MGS 시스템 위에 구축된 retrieval 프레임워크로, 세 축을 결합한다.
- 세부: 세 축은 다음과 같다.
  - hierarchical temporal compression: 최근 액션은 full resolution으로 유지하고, 오래된 세그먼트는 점진 pooling으로 압축한다. 이렇게 fixed serving budget 안에서 10⁴~10⁵ per-user history를 담는다.
  - multi-interest representation: 뉴스·Q&A·짧은 비디오 등 이질 modality에 걸친 유저의 다중 인텐트를 별도 축으로 모델링한다. sparse ID embedding만으로는 부족하기 때문이다.
  - MGS 배포 시스템과의 통합
왜 주목: Ultra-long behavior sequence 사전 압축이라는 각도는 ChronicleRec (Tencent PCG)와 인접하지만, 압축을 두는 자리가 다르다. ChronicleRec는 랭킹 백본의 입력 캐시(Chronicle Token, target-independent)에 집중하고, MuSeR는 retrieval 계층에 압축을 배치한다.
- 세부: Kuaishou에는 이미 SWIM (evaluator)·UniRec (cross-stage)·DrEM (pxtr noise)·PushDualGen·HD-Rec·OneRec-Thinking 라인이 있다. MuSeR는 lifelong user modeling 축의 데이터 포인트를 하나 더한다.
근거: 확인(abstract 수준의 진술) arXiv 2609.23677, 2026-09-20 v1. HTML 판에서 저자 도메인이 Kuaishou로 확인됐다.
상태: 관찰. Kuaishou는 추적 서비스가 아니므로 services 정본은 만들지 않는다. 자세한 분석은 daily/2026-09-23.md에 있다.
- 세부: 다음 관전 포인트는 본문에 MGS 배포 시스템의 A/B 수치와 fixed serving budget의 실제 크기(계산 예산 상한)가 있는지다. ChronicleRec의 target-independent 스타일과 대비되는 target-aware 스타일 사이에서 정확한 위치가 어디인지도 본다.
- 세부: 저장소의 lifelong user modeling 각도가 세 회사(Tencent PCG·Kuaishou와 Meta HSTU 계보)로 벌어지면, topics/sequence-transformer-ranking.md에 절을 신설할 후보가 된다.

Meta Search Hybrid GPU-CPU Retrieval — trillion-doc source corpus를 GPU billion / CPU tens-of-billions 두 경로로 co-serving, deployed in production

무엇: Meta의 personalized search retrieval 계층을 프로덕션 아키텍처 수준에서 처음 밝힌 진술이다. GPU와 CPU 두 하드웨어 경로가 각자 따로 고른 문서 snapshot을 함께 서빙한다.
- multi-trillion 규모 source corpus의 문서는 policy·quality·language·freshness·dedup을 통과한다. 그 뒤 하드웨어별 selector가 GPU snapshot과 CPU snapshot을 독립으로 만든다. GPU snapshot은 billion-scale이고, CPU snapshot은 tens-of-billions로 대략 20배다.
- GPU pathway는 two-tower retrieval과 interaction pre-ranking을 하나로 합쳐(fuse) 인터랙션 pre-ranking을 서빙 경로에 넣는다. 그리고 후보 224개를 shared ranker에 넘긴다.
- CPU pathway는 dense embedding index, eager term-at-a-time scoring, bulk scanning, finer clustering을 조합하고, dot product만 쓴다.
- 요청마다 두 경로 중 하나만 켜거나, 둘 다 켜거나, 끌(disable) 수 있다. 두 경로의 결과는 aggregator에서 중복을 제거(dedupe)한다.
- legacy CPU-only 구성과 비교한 full-system A/B에서 model-scored relevance와 substantive engagement가 함께 오른다고 진술한다.
- CPU pathway는 dense retrieval baseline보다 capacity가 4배 개선됐다고 주장한다. 이 수치는 vector op에 한정된다.
왜 주목: Meta의 search 인프라 논문은 2020년의 EBR과 2021년의 Que2Search 이후 오랜 공백이 있었다. depth–breadth heterogeneous co-serving을 프로덕션 A/B 수치와 함께 다룬 진술로는 이 저장소의 코퍼스 안에서도 첫 각도다.
- 기존 topics는 랭킹·retrieval 모델 층에 집중되어 있고, 서빙 하드웨어 분업 층은 다루지 않았다.
- 이 논문은 Good Search Result Rate, 즉 GSRR이라는 같은 지표를 쓰는 VDD/EvoPilot 논문과 인프라(Xue et al., 2026 "existing GPU platform")를 상당 부분 공유하는 것으로 보인다.
- Meta 검색·discovery 지면의 retrieval 스택 계층 정보가 두 편에 걸쳐 함께 열린다는 점이 이번 관측의 축이다.
근거: 확인 arXiv 2609.21281, 2026-09-18 v1 제출, KDD 2027 accepted. 저자 21인 전원이 Meta Platforms(Menlo Park) 소속이며, HTML 판에서 확인했다.
상태: 관찰 (심층 분석 필요). 이 저장소가 추적하는 Facebook Feed와는 지면이 다르지만, 인프라를 공유할 가능성이 있다. 자세한 분석은 daily/2026-09-22.md에 있다.
- Xue et al., 2026 참조가 어느 논문인지 확인해서 저장소 topics의 계층 정보에 이어 붙인다.
- Google/Bing/Yandex 계열에서도 depth–breadth heterogeneous co-serving을 프로덕션 A/B 수치와 함께 발표하는지 지켜본다. GPU pathway의 P99 팽창을 이후에 줄였다는 진술이 나오는지도 다음 관측 지점이다.

Meta VDD Model-Based Retrieval + EvoPilot — seed video + pivot query + user context MBR, 온라인 따라잡기 37일 캠페인, GSRR +0.66% relative

무엇: VDD(Video Deep Dive)는 Meta의 online follow-on discovery 지면이다. 유저가 seed 비디오를 열면, 그 뒤로 볼 만한 비디오를 검색과 랭킹 방식으로 이어 준다. 이 논문은 VDD의 retrieval 모델 MBR과, 그 위 캠페인 층에서 돌아가는 LLM 실험 프로토콜 EvoPilot을 다룬다.
- 논문은 VDD의 서빙 규모를 이렇게 적었다: "hundreds of millions of users".
- 요청은 세 요소 (s, q, u)로 이뤄진다: seed video s, machine-generated pivot query q, user/context u.
- 그 위에 두 타워 dense retrieval인 MBR(model-based retrieval)이 놓여 있다. request tower Q는 pivot query, user context, request-side seed feature를 받고, candidate tower D는 candidate video feature만 받는다.
- primary loss는 out-of-session in-batch InfoNCE다. 같은 세션의 예시는 negative에서 뺀다.
- candidate-conditioned interaction head G(h_r, h_d, a(d))는 click과 engagement auxiliary label에 대해 weighted BCE를 낸다.
- 인덱스는 hundreds of millions of videos 규모로 매시간 재발행되지만, 가중치는 매시간 재학습하지 않는다.
- 베이스라인은 P=K=3000, interaction head를 끈(disabled) 구성이다.
- EvoPilot은 human-gated LLM autoresearch 프로토콜이다. 위쪽 캠페인 층에서 37일 동안 7 direction 캠페인을 돌린다.
- 기존 primitive autoresearch는 인터랙션 head가 hit-rate −22 pp를 낸다는 잘못된 결론을 냈다. EvoPilot은 이 결론을 evaluation code의 output depth 결함(3,000 vs 600)까지 추적했고, 결함을 고친 뒤 offline에서 +3.20 pp를 얻었다.
- 7일 온라인 랜덤 실험에서는 US·Canada VDD-pivot slice의 GSRR relative +0.66%로 lift를 확인했다. 실험 규모는 tens of millions 계정이다.
- 실험 리뷰 이후 인터랙션 head는 VDD MBR의 기본 서빙 구성으로 채택됐고, manuscript cutoff까지 켜져 있다.
왜 주목: 두 갈래에서 새 축이다. 하나는 Meta discovery 지면의 자체 retrieval 스택이고, 다른 하나는 LLM 자동 실험이 요구하는 검증 층이다.
- Meta 안에서 "search + recommendation"이 섞인 지면이 자체 retrieval 스택을 가지고 있다는 프로덕션 진술 자체가 처음이다. Facebook Feed의 친구 그래프 축, Instagram Reels의 재생 시퀀스 축과 다른 discovery 축이다.
- 산업계의 LLM 자동 실험이 프로덕션 파이프라인 위에서 evaluator 결함까지 잡아내는 human-gated verification 층을 요구한다는 첫 케이스 스터디다.
- LLM-native 랭킹의 확산 스레드가 다루는 "모델 안 LLM" 각도와는 자리가 다르다. 이쪽은 "실험 자동화 위 LLM"이다.
근거: 확인 arXiv 2609.21257, 2026-09-18 v1 제출, KDD 2027 accepted. 저자 5인 전원이 Meta Platforms(Menlo Park) 소속이며, HTML 판에서 확인했다. 저자 5인 중 4인은 위 Hybrid GPU-CPU 논문의 저자 명단과 겹친다.
상태: 관찰 (심층 분석 필요). VDD 지면이 Facebook Watch/Reels/Instagram Explore 중 어느 UI 위에 뜨는지는 원문에 명시되지 않았다. 자세한 분석은 daily/2026-09-22.md에 있다.
- 공식 블로그·IR·Transparency Center 카드에서 지면 매핑이 드러나는지 지켜본다.
- 관측 순서 1번은 Xue et al., 2026 "existing GPU platform" 참조를 확인해서 Hybrid GPU-CPU Retrieval 논문과 인프라 계층을 이어 붙이는 일이다.
- 두 번째 축은 EvoPilot 프로토콜을 다른 팀이 채택하는지, 대안 프로토콜(Google DeepMind, Anthropic 등)이 프로덕션 규모로 발표되는지다.

LIGE-GR (Meta) — Instagram Reels·Facebook Video의 랭킹 → 생성형 추천 smooth leap, time-spent +1.14% / +0.72% relative

무엇: 랭킹에서 생성형 추천으로 넘어가는 "smooth leap"을 주장하는 Meta 논문이다. Instagram Reels와 Facebook Video 두 지면에 배포한 결과를 abstract 수준에서 밝혔다.
왜 주목: 이 저장소가 추적하는 서비스 두 개(Instagram·Facebook)에 대한 direct evidence이고, 배포 진술이 프로덕션 A/B 수치와 함께 나왔다. Meta AMBER와 ConnectionMind에 이어 Meta LLM/GR 랭킹의 세 번째 축이 될지가 관전 포인트다. AMBER는 입력 tokenization, ConnectionMind는 그래프 경로 추론기 쪽이다.
근거: 확인 arXiv 2609.18148, 2026-09-16 v1 제출.
상태: 관찰 (심층 분석 대기). 다음 배치에서 HTML 판을 읽어 메커니즘·베이스라인·배포 규모를 파악한 뒤, 이 저장소의 서비스 정본에 직접 반영할지 결정한다.
- 심층 분석이 필요하다. 원문 HTML을 읽고 정본(services/instagram.md·services/facebook.md)에 반영할 후보로 검토한다.

SARA (Kuaishou) — MLLM 기반 추천에 articulated rationale scaling, 프로덕션 240M 유저 30일+ 배포

무엇: Multi-modal LLM(MLLM) 기반 추천 시스템에서 rationale을 articulated 방식으로 scaling한 접근이다. Kuaishou 프로덕션에 30일 이상 배포했고, 240M 유저 대상 온라인 A/B에서 engagement gain을 얻었다고 주장한다.
왜 주목: Kuaishou는 이 저장소의 추적 서비스가 아니다. 하지만 대규모 프로덕션 MLLM 추천 배포이므로, 관찰 중인 LLM-native 랭킹의 확산 스레드에 새 회사 데이터 포인트가 된다. Kuaishou에는 이미 OneRec·PushDualGen 등의 SID 라인이 있지만, MLLM rationale은 새 각도다.
근거: 확인 arXiv 2609.17639, 2026-09-15 v1.
상태: 관찰. 승격 대상은 아니다. LLM-native 랭킹 스레드에 요약 한 줄을 추가한다.

ANGLE (Tencent) — 실시간 스폰서 서치 광고 one-step retrieval framework, GMV +2.16%

무엇: 다단계 캐스케이드를 대체하는 end-to-end LLM 랭킹 접근이다. 실제(real-world) search 배포에서 소비 +1.81%, GMV +2.16%를 주장한다.
왜 주목: One-step retrieval은 SID·GenRec 계열과 다른 각도로, 멀티 스테이지를 단일 모델로 바꾼다. Tencent PCG의 TGR이 유기 콘텐츠 생성 랭킹을 5개 지면에 배포한 진술이라면, ANGLE은 sponsored search ads retrieval을 단일 LLM으로 묶는다. Tencent가 유기·광고 두 축에서 LLM-native 각도로 밀고 있다는 정황이다.
근거: 확인 arXiv 2609.18296, 2026-09-16 v1. 저자 8인 전원이 Tencent Inc. 소속이며, 이메일 도메인 @tencent.com을 HTML 판에서 확인했다.
상태: 관찰 (Tencent 확인). 랭킹 개선 세부와 지면(WeChat 검색인지 위챗 채널인지)이 후속 자료에서 밝혀지는지 지켜본다.

PCap (Meta Facebook Marketplace) — retrieval-stage 다양성 캡핑을 유저별 Shannon entropy 버킷으로 개인화, Marketplace Feed에 launched, VPV +0.30% + PDP +0.22% + Sessions +0.17%

무엇: PCap은 Meta Facebook Marketplace의 후보 생성 단계에서 유저별 다양성 제약을 카테고리별 상한(cap)으로 강제하는 프레임워크다.
1. 유저 u의 최근 클릭 카테고리 분포로 Shannon entropy $S(u) = -\sum p(c|u)\log p(c|u)$를 계산해, 다양성 선호도의 프록시로 삼는다.
2. 유저를 6개 버킷으로 정렬해 bucket-1부터 bucket-6까지 나눈다. bucket-1은 가장 좁게 클릭하는 유저이고, bucket-6은 가장 넓게 클릭하는 유저다.
3. multi-source 인덱서 shard마다 카테고리별 상한을 걸어, scanning과 aggregation 두 단계에서 함께 캡핑한다. 상한은 retrieval source fetch count × 튜닝된 multiplier fk × 유저 버킷의 다양성 multiplier mu다.
- 카테고리를 묶는 키는 Facebook Product Taxonomy(FPT)의 수백 개 카테고리다.
- 파라미터 탐색에는 새 방법인 Parameter Tuning Sequence(PTS)를 쓴다. PTS는 control arm을 고정한 채 후보 arm들에 소량의 트래픽을 며칠씩 노출하는 sequential range-narrowing A/B 절차로, 온라인 grid search를 대체한다.
왜 주목: Marketplace Feed 프로덕션 A/B에서 유의미한 lift를 유지하면서, carrier metric인 Marketplace Sessions까지 함께 오른다 확인. 서빙 지연 팽창이 0.8ms에 그친다는 점, capping이 랭킹 단계가 아니라 retrieval scanning에 붙는다는 점이 새로운 각도다. 기존 MMR·DPP는 랭킹·재순위 층에 있다.
- Phase 1은 uniform cap과 무캡을 비교했고, 결과는 VPV +0.3088%(p<0.01), Latency +8.6 ms다.
- Phase 2는 PCap과 uniform cap을 비교했고, 결과는 VPV +0.2243%, PDP clicks +0.2250%, Marketplace Sessions +0.1708%, Latency +0.8 ms다.
- 버킷별로 갈리는 다양성 점수 변화(bucket-1 −1.05%, bucket-6 +0.25%)는 "좁게 클릭하는 유저는 좁게, 넓게 클릭하는 유저는 넓게"로 개인화됐다는 근거다.
- Facebook Marketplace는 이 저장소의 서비스 정본이 아니다. 다만 저장소가 이미 추적하는 feed-diversity.md와 candidate allocation 논의에 비추면, retrieval-stage cap을 다양성 축으로 개인화한 첫 프로덕션 진술이다.
근거: 확인 arXiv 2609.16452, 2026-09-15 제출. 저자 11인 전원이 Meta(Menlo Park·Boston) 소속이며, @meta.com 도메인을 HTML 판에서 확인했다.
상태: 관찰. Marketplace가 이 저장소의 정본 서비스가 아니어서 승격 대상은 아니지만, 다음 관측이 붙으면 topics/feed-diversity.md 승격 후보다. 자세한 분석은 daily/2026-09-17.md에 있다.
- Meta의 다른 지면(Facebook Feed, Instagram, Reels)으로 같은 스택이 확장됐다는 진술이 나오는지 본다.
- 두 번째 회사가 retrieval-stage cap의 다양성 개인화를 채택하는지, PTS가 다른 튜닝 시나리오(랭킹 하이퍼파라미터 등)로 확장되는지도 다음 관전 포인트다.

PinDCO (Pinterest) — 광고 창의 소재를 whole-page 손익까지 반영해 실시간 선택하는 프로덕션 DCO, Pinterest Ads에 launched, Ad CTR +3.09% relative

무엇: PinDCO는 Pinterest 광고 파이프라인에 붙는 dynamic creative optimization(DCO) 시스템이다. 광고 랭킹과 병렬로 실행돼, 지연이 랭킹 upper bound 안에 갇힌다.
- Creative Component Fusion Network(CCFN)은 이미지·타이틀·레이아웃 컴포넌트마다 tower를 둔다. 컴포넌트별 하이퍼파라미터(예: dropout rate)로 수렴 속도를 맞춘 뒤, 컴포넌트 fusion layer가 광고 랭킹 모델의 logit에 더할 delta score를 낸다.
- Pixel-aware Adjustment Module(PAM)은 waterfall grid에서 세로가 긴 크리에이티브가 주변 슬롯의 노출 공간을 밀어내는 카니벌라이제이션을 반영한다. 반영 방식은 aspect ratio penalty $P(ar_{rel}) = \mathrm{clip}(1 - \tanh(k(ar_{rel} - 1)), 0, 1)$다.
- 서빙에서는 크리에이티브 id 기반 샤딩 캐싱과 dynamic batching으로 QPS를 소화한다. dynamic batching을 제거하면 P99는 +87%, P90은 +114%다.
왜 주목: Pinterest Ads 프로덕션 A/B에서 광고 CTR +3.09% relative, Successful Session +0.04% relative로 whole-page metric을 양(+)으로 유지하며 플랫폼에 출시됐다 확인. 저장소 코퍼스에서 DCO를 별도 랭킹 시스템으로 다룬 첫 프로덕션 진술이고, waterfall grid 지면의 whole-page-aware creative ranking을 다룬 첫 프로덕션 진술이다.
- Baseline인 Lightweight-Only는 +1.49% CTR, −0.24% Session이고, Peri-CR은 +1.70% CTR, −0.12% Session이다.
- 두 baseline은 광고 CTR을 올리는 동안 whole-page metric을 깎는다. 반면 PinDCO는 두 축을 동시에 양으로 유지한다.
- Pinterest CLR (Home Feed 유기 후보 생성 조건 임베딩)과는 자리가 다르다. CLR은 유기 candidate generation이고, PinDCO는 광고 creative selection이다.
근거: 확인 arXiv 2609.11943, 2026-07-21 제출, RecSys 2026 accepted. 저자 8인 전원이 Pinterest Inc. 소속이며, 이메일 도메인 @pinterest.com을 HTML 판에서 확인했다.
상태: 관찰. Pinterest는 이 저장소의 추적 서비스가 아니어서 services 정본은 만들지 않는다. 자세한 분석은 daily/2026-09-15.md에 있다.
- RecSys 2026 발표에서 컴포넌트 확장(description·CTA·landing)과 whole-page metric의 세부 계측 진술이 나오는지 본다.
- 두 번째 회사가 waterfall 지면의 광고 creative optimization을 whole-page-aware로 다루는 진술을 내는지도 다음 관전 포인트다.

ChronicleRec (Tencent PCG) — Weixin Moments Ads pCVR에 ultra-long 유저 행동 시퀀스를 target-independent Chronicle Token으로 사전 압축, GMV +1.61% (95% CI [0.678%, 2.547%])

무엇: ChronicleRec은 lifelong user modeling을 위한 pre-train-and-transfer 프레임워크다. ultra-long 행동 시퀀스를 target-independent한 Chronicle Token으로 유저당 한 번 압축하고, 캐시로 랭커에 공급한다.
- Recency-aware multi-granularity merge는 최근 이벤트를 fine-grained로 남기고, 오래된 이벤트는 coarse하게 병합한다.
- Interleaved causal encoding은 학습 가능한 query token을 병합 시퀀스에 분산 배치하고 causal attention을 쓴다. 각 query는 자기 temporal anchor 이전의 이력만 요약한다.
- Multi-horizon 병렬 브랜치는 서로 다른 recent-history window 마스킹을 조합해 상보적인 long-range 관심을 학습한다.
- mask-and-predict 사전 학습과 Chronicle Alignment로 historical signal을 near-present intent에 정렬한다.
왜 주목: Weixin Moments Ads의 pCVR(전환율 예측) 지면에서 7일 A/B로 GMV +1.61%를 얻었고, 95% CI [0.678%, 2.547%]가 0을 배제하는 통계적 유의 결과다 확인. 랭커 백본을 그대로 두고 lifelong 표현만 캐시로 넣는 target-independent 계열이라, 도입 비용이 낮다는 새 데이터 포인트다.
- 이 지면에서는 MixFormer 랭커 백본의 NS-Token·S-Token 두 경로에 Chronicle Token을 편입했다.
- Tencent AdLive 데이터셋의 ablation에서는 interleaved-causal 구성이 0.8034 GAUC로 가장 높다. Chronicle Alignment를 빼면 −0.0086 GAUC로 가장 크게 떨어진다.
- KuaiRand에서 최근 1,000 이벤트를 완전히 마스킹해도 GAUC가 0.5499로 유지된다. recent-window Short-Attn(0.5307)을 크게 웃도는 값이다.
- Meta HSTU/Wukong 계보와 Netflix Foundation Model은 시퀀스 인코더를 스케일하는 접근이었다는 점에서 ChronicleRec과 대비된다.
- TGR (Tencent PCG) 라인이 랭킹·retrieval·slate·reason을 묶은 4-in-1 프레임워크였다면, ChronicleRec은 랭킹의 입력으로 들어가는 lifelong user 표현 자체를 다룬다.
근거: 확인 arXiv 2609.12375, 2026-09-11 제출. 저자 12인은 Weixin Moments Ads의 pCVR 지면 배포 진술과 반복 등장하는 이름으로 보아 Tencent PCG 광고 라인이라고 판단했다 추정. HTML 판에서 이메일 도메인은 노출되지 않는다.
- 반복 등장하는 이름은 Junwei Pan·Chao Zhou·Chengguo Yin·Jie Jiang 등이다.
상태: 관찰. Tencent PCG는 이 저장소의 추적 서비스가 아니어서 services 정본은 만들지 않는다. 자세한 분석은 daily/2026-09-15.md에 있다.
- Weixin Moments Ads 밖의 Tencent PCG 지면(뉴스·비디오·음악·웹소설)으로 이식됐다는 후속 진술을 기다린다.
- 다른 회사(Meta·Alibaba·ByteDance)가 target-independent compression을 프로덕션에 채택했다는 진술도 기다린다.
- 이런 진술이 나오면 topics/sequence-transformer-ranking.md에 절을 새로 만들 후보다.

UniRec (Kuaishou) — 캐스케이드 pre-ranking + ranking fusion을 two-stage joint learning으로 정렬, app usage duration +0.616%

무엇: UniRec(Unified Cross-stage Recommendation Fusion)은 industrial recommender 캐스케이드의 두 stage에 있는 fusion agent를 joint learning으로 정렬한다. 두 stage는 pre-ranking과 ranking이다. 두 agent는 input embedding을 부분 공유하고, single computation graph에서 함께 학습되어 gradient가 stage 사이를 흐르게 한다.
- Dual-axis preference alignment는 두 축으로 작동한다. vertical 축에서는 downstream pairwise preference를 upstream fusion score에 전이한다.
- horizontal 축에서는 이질적 prior signal에 대한 수십 개 pairwise objective를 bidirectional preference evidence로 재편한다.
- Attribute group-relative regularization은 unconstrained end-to-end fusion이 고보상 attribute 그룹에 과집중하는 부작용을 억제한다.
왜 주목: 오프라인에서 single-stage fusion과 cross-stage coordination baseline을 일관되게 이겼다 확인. 온라인 A/B에서는 앱 사용시간 +0.616% relative gain을 얻었고, Kuaishou 플랫폼에 전면 배포(fully deployed)됐다 확인. 이번 진술은 캐스케이드 상하 stage의 fusion agent를 joint로 학습하는 각도로, 오래된 문제(cross-stage inconsistency)에 새로 접근한다.
- Kuaishou는 8~9월에만 HD-Rec, PushDualGen, DrEM, SWIM, OneRec-Thinking 라인에 이어 Shopify HSTU 계보 스레드 밖에서도 다섯~여섯 편째 프로덕션 진술을 낸다.
- 앞의 라인별 축은 HD-Rec이 SID cross-domain, PushDualGen이 SID·CoT push, DrEM이 pxtr noise robustness, SWIM이 session-survival evaluator다.
- 지금까지의 진술은 알고리즘 라인의 새 축(SID·evaluator·noise robustness 등)이었다는 점에서 이번 진술과 다르다.
- Meta HSTU 계보나 LLM-native recsys 스레드에 직결되지는 않는다. 다만 "산업 캐스케이드의 stage 간 오정렬을 그동안 얼마나 손대지 않고 살았는가"라는 관찰에 데이터 포인트를 더한다.
근거: 확인 arXiv 2609.11052, 2026-09-10 v1 제출. 저자 8인은 Kuaishou 라인으로 보이지만 소속은 아직 확인되지 않았다(HTML 판에서 affiliation 확인 필요) 추정.
상태: 관찰. Kuaishou는 이 저장소의 추적 서비스가 아니어서 services 정본은 만들지 않는다. 저자 소속이 HTML 판에서 확정되면 정본 반영을 재검토한다.
- 두 번째 회사의 비슷한 cross-stage joint learning 진술이 나오면 topics/multi-task-ranking.md나 새 cascade-fusion topic으로 승격할 후보가 된다.

Shopify Foundational Generative Recommender — HSTU 기반 시퀀스 예측기를 Shop app·머천트 스토어프론트에 배포, e-commerce 도메인의 첫 진술

무엇: Shopify's Foundational Generative Recommender System은 Shop app(구매자 앱)과 머천트 스토어프론트의 상품 추천에 새로 추가된 자기회귀 시퀀스 예측기다. 후보 생성기이면서 랭킹 후보 소스 역할을 한다.
- Buyer 이벤트 시퀀스(검색·조회·장바구니 추가·구매)를 원시 그대로 소비해, 다음 상호작용을 autoregressive하게 예측한다.
- Meta HSTU를 시작점으로 삼고, 시간 인코딩, negative sampling, recall 최적화 같은 세부를 e-commerce에 맞게 바꿨다.
- RoPE 기반 rotary encoding과 relative attention bias로 절대 시각과 상대 최신성을 함께 인코딩한다.
- 배치 사이 negative 공유와 positive-aware hard negative selection으로 대조 학습 품질을 올린다.
- 다른 앙상블 모델의 예측을 hard negative로 취급하는 boosting으로 후보 다양성을 학습 목적에 넣었다.
왜 주목: 프로덕션 A/B에서 Shop orders +0.94% relative를 비롯해 네 지표가 올랐다 확인. 이 자료는 HSTU 계보의 여섯 번째 산업 회사 진술이고, e-commerce 상품 추천이라는 별개 도메인의 첫 진술이다.
- 나머지 세 지표는 high-quality CTR +5% relative, conversion rate +0.71% relative, final product recall@4 +4.8% relative다.
- CUDA 커널 최적화로 훈련 파이프라인에서 7.3x speedup을 얻었다.
- BFCM 2025에 플랫폼 전체가 2.2조 edge request를 처리한 규모에서 서빙된다.
- 앞선 HSTU 계보 진술은 Meta HSTU/Wukong·Netflix Foundation Model·Meta ads LLaTTE·Alibaba TransRetrieval·ByteDance ReST·Tencent PCG CCFormer다. 이 진술들은 광고·스트리밍 비디오·소셜 컨텐츠에 몰려 있었다.
- Semantic ID는 아직 배포되지 않았다. Shopify는 "large embedding tables가 병목"이라는 이유로 이를 다음 단계로 명시했다.
근거: 확인 Shopify Engineering blog, 2026-02-25, Ali Khanafer·Yang Liu(Senior Staff ML Engineers).
상태: 관찰. Shopify는 이 저장소의 추적 서비스가 아니어서 services 정본은 만들지 않는다. 자세한 분석은 daily/2026-09-09.md에 있다.
- 2026-02 자료라서 발표 시점보다 늦게 발견됐다. 자료 자체가 산업 블로그 스윕에서 걸러지지 않고 있었다는 점이 배치 회고 포인트다.
- Baseline 모델(이전 두 타워, DLRM, GBDT 등)의 정체와 파라미터 수가 공개되지 않아, 스케일링 법칙 스레드에 붙는 세기는 약하다.
- RecSys 2026 산업 트랙이나 KDD 2027에서 후속 진술이 나오는지, semantic ID 도입 결과가 공개되는지가 다음 관전 포인트다.

PTDG (Huawei AppGallery) — MMoE 대체용 personalized task dependency graph, 100M+ DAU 프로덕션 A/B에서 CVR +1.2% / eCPM +1.9%

무엇: Personalized Task Dependency Graphs는 industrial recommender의 multi-task learning 아키텍처를 다룬다. conversion funnel 안 task 사이의 dependency를 아이템마다 다시 연결(rewiring)한다.
- 기존 MMoE 계열은 dependency strength가 트래픽 전반에 동일하다고 가정한다. 이 연구는 아이템 특성에 따라 task correlation이 다르다는 관찰에서 출발한다.
- Low-rank approximation으로 dependency pathway의 강도를 아이템마다 다르게 만들되, Click→Pay 같은 causal constraint는 hard masking으로 지킨다.
- Adaptive Progressive Masking(APM)을 함께 넣어서 sparse task와 dense task의 파라미터를 분리 학습하고, 최적화 불안정을 억제한다.
왜 주목: Huawei AppGallery로 추정되는 지면의 랭킹 모델로 배포됐다. 2주 A/B에서 배포된 MMoE baseline 대비 CVR +1.2%, eCPM +1.9%를 얻었다 확인. 특징은 static conversion funnel의 dependency 구조 자체를 학습 가능한 personalized graph로 재정의한 각도라는 점이다.
- 논문은 이 지면을 이렇게 소개한다: "a mainstream app distribution platform, serving over 100 million daily active users".
- A/B는 10%×10% split으로 진행했고, 나머지 80%는 원 프로덕션 모델을 유지했다.
- 오프라인에서는 KuaiRand1K와 자체 industrial dataset의 sparse conversion task AUC가 최대 +1.45%였다 확인.
- Meta HSTU/Wukong·Netflix Foundation Model·Alibaba TransRetrieval 같은 파라미터·시퀀스 축 스케일링과는 방향이 다르다.
- 함께 등장한 Xiaohongshu GateDiffInt와 마찬가지로, CVR head 자체의 재설계가 관찰 대상에 새로 추가된다.
근거: 확인 arXiv 2609.04862, 2026-09-04 v1, CIKM 2026 accepted. 저자 11인 전원이 Huawei Technologies Shanghai / Nanjing / Dongguan / Beijing 소속임을 HTML 판의 affiliation 표기와 @huawei.com 도메인으로 확인했다.
상태: 관찰. Huawei는 이 저장소의 추적 서비스가 아니어서 services 정본은 만들지 않는다. 자세한 분석은 daily/2026-09-08.md에 있다.
- 두 번째 회사가 비슷한 personalized task dependency 진술(GCN, causal masking, APM)을 내면 topics/multi-task-ranking.md에 절을 새로 만들 후보다.
- CIKM 2026 발표 슬라이드에서 industrial dataset 규모와, KuaiRand1K와 자체 데이터의 절대 수치 차이를 공개하는지 본다. HiSuite/Petal Ads 등 Huawei의 다른 지면으로 확장하는지도 다음 관전 포인트다.

Pinterest CLR — Home Feed 조건 임베딩 retrieval을 통합 아키텍처로 확장, p90 지연 85% 감소

무엇: Conditional Learned Retrieval(CLR)은 Pinterest Home Feed two-tower 후보 생성기의 user tower를 명시적 retrieval 컨텍스트로 조건화해, 조건을 인식하는 임베딩을 여러 개 만든다. 컨텍스트는 Interest·Pin·Board다. 이번 자료는 초기 관심 조건에서 시작한 CLR이 다섯 축으로 진화했음을 정리했다.
- 조건 유형 확장: Interest→Pin→Board로 넓혔고, LLM이 새 관심 신호를 생성한다.
- 모델 확장: Conditioned User Sequence Transformer에서 PinFM Foundation Model 기반 CLR로 옮겼고, contrastive alignment loss를 도입했다.
- 조건 표현 통합: Unified CLR과 Slot Architecture로 condition_os·condition_id·condition_type_id 세 슬롯을 둔다.
- 학습 효율: Request-level Training과 M-Falcon으로 throughput을 2x 높였다.
- 서빙 재설계: 단일 요청 통합을 거쳐 GPU 서빙과 NVEmbed로 재설계했다.
왜 주목: 7-figure 비용 절감과 p90 모델 지연 80ms → 12ms(85% 감소)를 얻었고, CLR FM과 Search CLR 등 후속 이니셔티브를 가능하게 했다 확인. 특히 GPU 서빙 이후 Claude Code로 실험 피드백을 계속 읽어 요청당 조건 예산을 자동 튜닝했다고 명시했는데, AI 에이전트를 recsys 프로덕션 튜닝 루프에 붙인 진술로는 최초다 추정.
- semantic ID는 5 hierarchical layers × 각 2048 codes 구조이고, Pin tower의 feature cross에서 이미지 서명 임베딩과 나란히 놓인다.
- 블로그는 이 자동 튜닝이 Interest·Pin·Board 각 조건 유형별로 이뤄졌다고 밝혔다.
- Netflix Foundation Model이 채점 함수 위로 통합했다면, Pinterest CLR은 retrieval의 조건화 축으로 통합했다는 대조가 선다.
근거: 확인 Scaling Conditional Learned Retrieval for Pinterest Home Feed, 2026-08-26, Pinterest Engineering, 저자 6인. 사전 논문은 RecSys'24 Bootstrapping Conditional Retrieval과 KDD'25 Synergizing Implicit and Explicit User Interests다.
상태: 관찰. Pinterest는 이 저장소의 추적 서비스가 아니어서 services 정본은 만들지 않았다. 자세한 분석은 daily/2026-09-07.md에 있다.
- LinkedIn Follows, Spotify GLIDE와 함께 "LLM/foundation 기반 retrieval 채널을 후보 생성기 층에 붙이는" 패턴의 세 갈래를 이룬다. LinkedIn Follows는 profile 자연어화, Spotify GLIDE는 Semantic ID 생성 쪽이다.
- PinFM의 상세 아키텍처와 파라미터 수, agentic tuning 파이프라인의 목적 함수와 feedback 주기가 다음 관전 포인트다.

LinkedIn Follows Recommendations — LLM bi-encoder EBR을 MyNetwork·Home Feed 두 지면의 후보 생성기로 배포

무엇: LinkedIn은 Follows Recommendations의 후보 생성을 fine-tuned bi-encoder LLM의 embedding-based retrieval로 재작성했다. 인코더는 중간 규모의 instruction-tuned 오픈소스 모델이다.
- 프로필은 narrative prompting으로 인코더에 준다. 프로필 필드를 자연어 문장으로 재구성하는 방식이다.
- 크리에이터 임베딩은 Ray 분산 GPU 클러스터에서 야간 batch로 사전 계산해, FAISS IndexFlatIP exact K-NN 인덱스(~10M 크리에이터)에 적재한다.
- 뷰어 임베딩은 Proxima에서 실시간으로 추론해 hosted vector search에 질의한다.
- L2 랭킹에서는 dense NN이 behavioral·categorical·collaborative-filtering 피처와 task-aware projected embeddings 피처를 소비한다. projected embeddings는 1024–4096차원을 64–128차원으로 축소한 것이다.
왜 주목: MyNetwork tab과 Home Feed 두 지면에 배포됐다. 프로덕션 A/B에서 세그먼트별 follow rate에 통계적으로 유의미한 lift를 냈고, new-member 세그먼트에서 lift가 가장 크다는 진술이다. 구체 uplift 백분율과 지연 수치는 공개하지 않았다.
- Netflix GenRec·Yandex·Alibaba·Meta 2건·Spotify GLIDE에 이어 LLM-native ranking의 확산 스레드에 여섯 번째 회사로 편입된다.
- 자리는 Spotify GLIDE와 같은 "LLM 임베딩 후보 생성기 채널"이고, Pinterest CLR(조건화)과는 상보적이다.
근거: 확인 Rebuilding LinkedIn's Follows Recommendations with LLM-Based Semantic Retrieval and Ranking, 2026-08-24, 저자 Haohua Wan.
상태: 관찰. 구체 수치가 없다는 점이 약점이다. 자세한 분석은 daily/2026-09-07.md에 있다.
- RecSys/CIKM 등 후속 논문에서 세그먼트별 절대 수치를 공개하는지 지켜본다.
- new-member 세그먼트의 개선폭은 콜드스타트 논쟁에서 유의미한 데이터 포인트다.

Spotify GLIDE — Home 팟캐스트에 1B LLM + Semantic ID 후보 생성기 배포

무엇: GLIDE는 1B-parameter LLM이 Semantic ID를 생성해 후보를 뽑는 추가 candidate generator다. Semantic ID는 카탈로그 아이템을 짧은 token 시퀀스로 표현한 것이다. Spotify Home 팟캐스트 발견 지면에 배포됐고, 후단 랭킹 파이프라인에 후보를 공급한다.
왜 주목: 21일 동안 ~20M impression 규모로 진행한 A/B에서 non-habitual podcast listening +5.4%, new-show discovery +14.3%를 얻었고, 지연·engagement 요구사항을 유지했다 확인. 카탈로그 hallucination은 Semantic ID 덕분에 피한다.
- 같은 블로그가 언급한 NEO 프레임워크(검색·추천·추론 통합 모델)는 10M+ 아이템 × 15M 유저 규모로 테스트했지만, 프로덕션 배포는 없는 연구 단계다.
- LLM-native ranking 스레드와 SID/생성형 retrieval 스레드에 동시에 편입한다.
근거: 확인 From Models to Products: LLMs for Recommendation at Spotify Scale, 2026-08-03, Spotify Research 블로그.
상태: 관찰. NEO의 프로덕션 진술이 나오는지, GLIDE가 Home 팟캐스트 밖의 지면(음악 발견 등)으로 확장되는지가 관전 포인트다. 자세한 분석은 daily/2026-09-07.md에 있다.

Spotify SPDD — SASRec 위 inference-time multi-objective 디코딩

무엇: Stochastic Primal-Dual Decoding, 줄여서 SPDD는 사전 학습된 generative recommender의 디코딩(inference) 시점에만 개입하는 lightweight 컨트롤러다. auxiliary objective(예: relevance와 diversity)의 가중치를 진행 상황에 따라 동적으로 조절하며, 재학습을 요구하지 않는다.
- Spotify는 SASRec 기반 플레이리스트 랭킹의 프로덕션 A/B와 오프라인 평가(TransAct 등)에 적용했다.
왜 주목: ~100만 유저 × 60만 플레이리스트 규모의 프로덕션 A/B에서 auxiliary stream-share가 control 대비 +5.44%로, fixed-weight의 +3.60%와 약 1.8pp 차이가 났다. 이 결과를 유저 소비 감소 없이 달성했고, skip rate 증가폭도 더 낮았다.
- Kuaishou PushDualGen이 SID와 skippable copy 구조로 서빙 비용을 피했다면, SPDD는 서빙 모델을 그대로 두고 디코딩 정책만 바꾸는 대안 각도다.
- SID/생성형 retrieval 스레드에 편입한다.
근거: 확인 Balancing Multiple Objectives in Generative Recommendations with Adaptive Decoding, 2026-08-07, Spotify Research 블로그.
상태: 관찰. 두 번째 회사의 비슷한 inference-time multi-objective 컨트롤러 진술이 나오면 topics/multi-task-ranking.md에 절을 새로 만들 후보다. 자세한 분석은 daily/2026-09-07.md에 있다.

TGR (Tencent PCG) — 생성 패러다임 랭킹·retrieval·slate 생성·reason token을 한 프레임에 묶고 5개 지면에 배포

무엇: Tencent Platform and Content Group(PCG) 소속 TGR Team 13인이 낸 네 컴포넌트 프레임워크다. 논문은 news feeds, short videos, long videos, music, web novels 다섯 지면(익명 Scenario 1~5)에 걸친 배포를 진술한다.
- CCFormer: Transformer 랭킹
- BARGE: 계층 semantic ID 생성 retrieval
- HiGR: whole-slate 생성
- TGR-Reason: semantic-ID reason tokens 오프라인 생성과 서빙 프롬프트 주입
왜 주목: HSTU와 OneRec 양쪽을 프로덕션 베이스라인으로 대체한 첫 사례다. SID 라인(→ 생성형 retrieval / semantic ID 스레드)에 회사 규모로 두 번째로 큰 진술이 붙었다.
- 논문은 OneRec과의 관계를 명시적으로 밝혔다: "aligned with the one-model direction of OneRec at Kuaishou".
- CCFormer는 Scenario 1과 2에 전면 출시(fully launched)돼 프로덕션 전체 트래픽을 담고 있고, HSTU와 DLRM을 대체했다. CTR은 +3.57%, ad revenue는 1.71% 올랐고, HSTU 대비 GFLOPs는 절반, 훈련은 2.21x다.
- BARGE는 generative retrieval channel로 전면 롤아웃(fully rolled out)됐고, OneRec 대비 Hit@5가 +10.2–16.9%다.
- HiGR은 OneRec 대비 slate quality +15.9–21.3%, 추론 속도 5x를 기록했다(A/B 세 시나리오).
- TGR-Reason은 콜드스타트 new-user Hit@1에서 +477.8%를 기록했다.
근거: 확인 arXiv 2609.00986, 2026-09-01 v1. 소속은 HTML로 확인했다.
상태: 관찰. SID 스레드에 강한 근거로 편입한다. HSTU/OneRec를 한 프레임에서 통합하는 세 번째 회사 진술이 나오면 topics/llm-in-recsys.md나 새 topic(one-model recommendation)으로 승격할 후보다.
- 심층 분석이 필요한 항목은 BARGE OSQ-VAE codebook 구조, HiGR PCRQ-VAE와 OneRec SID의 실질 차이, Think 모델 백본과 reason token 코퍼스 규모, Scenario→Tencent 제품 매핑이다.

ReST (ByteDance / TikTok Shop Ads) — behavior-sequence Transformer scaling을 광고 랭킹에 프로덕션 배포

무엇: TikTok Shop Ads에 배포한 rec-native Transformer 랭킹 프레임워크다. 신호 품질 축과 계산 비대칭 축의 구성 요소를 조합한다.
- 신호 품질 축: Dual-gated attention, rotary positional and temporal embedding, stabilized residual normalization, training-only auxiliary objectives
- 계산 비대칭 축: heavy reusable encoder와 lightweight cross decoder with projection-free KV attention
왜 주목: TikTok Shop Ads 1주 A/B에서 AUC +1.31%, Advv +11.93% (p<0.01)를 얻었고, 50 ms P99 지연을 유지했다. 논문은 fully deployed in production이라고 명시했다. Meta HSTU·Wukong, LLaTTE, Alibaba TransRetrieval에 이어 스케일링 법칙 스레드에 ByteDance의 진술이 붙었다.
- 저자들은 LLM 스타일 Transformer 블록이 saturate하는 sequence length·depth·width에서 ReST가 일관되게 scaling된다고 주장한다.
- 크기는 ReST Base 5.69M, Large 22.64M 파라미터다. 두 값 모두 시퀀스 모델링 부분만 센 것이다.
- 추천 모델 스케일링 법칙 스레드에 근거로 편입한다.
근거: 확인 arXiv 2609.01240, 2026-09-01 v1, HTML. 저자 12명 전원이 ByteDance 소속이다.
상태: 관찰. 이 논문에서 LLaTTE 대 HSTU의 "semantic feature 필요성" 논쟁에 대한 조건부 확인은 명시적으로 서지 않았지만, LLM 블록 대신 rec-native 설계가 필요하다는 방향으로 정렬된다. TikTok Shop Ads가 광고 도메인이어서, 유기 피드로 확장되는지가 관전 포인트다.

CAMIE (Snap DPA) — I2I retrieval의 공유 인코더 + 공동참여 신호

무엇: Snap Dynamic Product Ads(DPA, 광고)의 item-to-item 검색이 가진 두 문제를 다룬다. abstract에서 프로덕션 DPA 배포를 진술했다.
- 별개로 학습된 시각·텍스트·멀티모달 인코더가 임베딩 공간을 분절시켜, 서로 다른 아이템 유형 사이의 검색 품질이 떨어진다.
- co-engagement 신호(같은 유저가 두 아이템을 함께 본 관계)를 대칭 대조로만 다루면, 아이템의 상호작용 문맥을 반영하지 못한다.
왜 주목: 광고 도메인의 I2I retrieval에서 Snap이 프로덕션 진술을 낸 최근 사례가 드물다. Snap의 다음 진술이 이 라인을 이어갈지가 다음 관전 포인트다.
- 같은 그룹이 비슷한 시점에 SetMIR(multi-interest retrieval as set prediction)도 냈다. 하지만 SetMIR abstract에는 Snap 프로덕션 진술이 명시되지 않아 그쪽은 보류한다.
근거: 확인 arXiv 2608.30255, 2026-08-31 제출. 저자는 12인(Xiaodong Liu, Siman Wang, Congfei Zhang, Hsiang-wei Chao, Xiao Bai 외)이고, HTML 판이 전원의 소속을 Snap Inc.로 표기한다.
상태: 관찰. I2I retrieval 스레드는 아직 정본에 없다. Snap이 후속 진술을 내거나, 두 번째 회사(Pinterest·Meta 광고 등)에서 공유 인코더와 co-engagement를 함께 쓴 비슷한 진술이 나오면 topic 승격 후보가 된다.

VK Friend Recommendation GNN — 194M 유저·28B 엣지 프로덕션 소셜 그래프에서 message-passing GNN을 스케일한 사례

무엇: 수억 유저와 수백억 엣지에 이르는 프로덕션 규모의 소셜 그래프에서 message-passing GNN의 학습과 서빙을 붙일 때 부딪히는 시스템 문제와 모델링 문제 두 가지를 정면으로 푼다 확인.
- 친구 추천은 다중 홉 소셜 컨텍스트가 유저 속성보다 결정적이라서 message-passing GNN이 자연스럽다.
- Multi-hash user embeddings는 유저 ID마다 여러 해시 함수의 임베딩 lookup을 조합한다. 이렇게 해서 ID 임베딩 테이블 크기를 98% 이상 줄이면서도 ranking quality를 유지한다.
- Temporal neighbor sampling은 timestamp-sorted CSR 저장과 binary search로 이웃 샘플링을 O(deg(v) + k)에서 O(log(deg(v)) + k)로 줄인다. 슈퍼노드(팔로우가 극단적으로 많은 계정)의 이웃 순회 비용이 로그 시간으로 억제된다 확인.
왜 주목: 194M users · 28B edges 규모의 소셜 그래프에서, 강한 프로덕션 베이스라인 대비 friend additions from recommendations +16%, unique friend adders +11.5%를 얻었다.
- 강한 프로덕션 베이스라인 대비 두 자릿수 uplift는 GNN 논문에서 드물다.
- Meta ConnectionMind가 그래프 위에서 경로를 추론하는 LLM이라면, 이쪽은 순수 GNN을 소셜 그래프의 스케일 한계까지 밀어붙인 사례다.
- GNN이 실무에서 결국 살아남는 도메인은 친구 그래프나 follow 그래프처럼 완전히 명시적인 그래프라는 관찰이 강화된다.
- X의 SimClusters(SVD 기반), Meta의 GNN·LLM 이중 스택과 대조해 볼 수 있는 자료이기도 하다.
- 서빙 지연 없이 적용했다는 말은 abstract에 명시되어 있지 않다. 다만 테이블 축소와 이웃 순회의 로그화라는 두 최적화의 목적이 정확히 그것이다.
근거: 확인 arXiv 2608.27413, 2026-08-27 v1, CIKM 2026 accepted. 저자는 3명(Maksim Utushkin·Andrei Ovsiannikov·Alexander D'yakonov)이다.
- 소속은 저자 이름과 본문에 언급된 규모로 보아 VK로 추정한다 추정. HTML abstract에는 소속 표기가 없고, 코드 릴리스는 언급되어 있다.
상태: 관찰 중이다. VK는 이 저장소의 정본(canon)이 추적하는 서비스가 아니어서 승격은 보류한다. 학회 발표 슬라이드(CIKM 2026 10월)가 나온 뒤에 소속과 인프라 세부가 추가로 공개될 가능성이 있다.
- 두 번째 회사(Meta가 아닌 곳)에서 비슷한 프로덕션 GNN 진술이 나오면 topics/embedding-retrieval.md나 새 social-graph-gnn topic의 후보가 된다. LinkedIn 친구 추천이나 Facebook People You May Know의 GNN 갱신이 그런 예다.

SWIM (Kuaishou 메인 피드) — Generator-Evaluator 재순위의 Evaluator를 세션 survival process로 재설계

무엇: 산업 재순위의 G-E(Generator-Evaluator) 아키텍처에서 리스트를 채점하는 Evaluator를 다시 설계한다. SWIM은 유저 행동을 finite-horizon prefix session-level survival process로 모델링한다 확인.
- 종전 evaluator는 단일 요청 metric(예: expected watch time)만 보기 때문에 세션 관점을 놓친다.
- 현재 리스트가 세션 목표에 얼마나 기여하는지는 recursive survival distribution과 reached-position conditional rewards로 factorize한다 확인.
왜 주목: Kuaishou short-video app(>400M DAU)의 메인 피드 재순위에 프로덕션 배포했다. 7일 동안 5% 트래픽으로 A/B를 돌려 App stay time +0.351%, 7-day retention +0.048%를 얻었다 확인.
- 신뢰구간은 App stay time이 95% CI [0.27%, 0.42%], retention이 CI [0.01%, 0.09%]다 확인.
- 이전 evaluator인 CAVE를 교체했고, upstream retrieval과 generator는 유지했다.
- DrEM, HD-Rec, PushDualGen에 이어 Kuaishou가 8월에만 네 번째로 낸 프로덕션 진술이다. evaluator 자체를 재설계했다는 점에서 새 갈래다.
근거: 확인 arXiv 2608.25104, 2026-08-25, 저자는 Kuaishou Technology 6인과 USTC 2인, 그리고 무소속인 Kun Gai다.
상태: 관찰 중이다. evaluator 자체를 세션 survival로 재설계한 다른 회사의 진술이 나오면 topics/feed-diversity.md나 재순위 topic의 후보가 된다.
- 같은 달에 Kuaishou가 서로 다른 알고리즘 라인 네 편에서 프로덕션 진술을 냈다는 점이 회사 차원의 관전 포인트다. 네 라인은 SID(아이템을 이산 토큰 ID 시퀀스로 나타낸 semantic ID) cross-domain, SID+CoT 푸시, ensemble ranking noise, G-E evaluator survival이다.

MetaStrategy (Alibaba/Taobao) — LLM이 채점하지 않고 "실행 가능한 랭킹 전략 JSON"을 생성한다

무엇: LLM 정책이 요청 컨텍스트를 받아 typed JSON 번들을 생성하면, 결정론적 validator와 compiler가 이를 격리된 Generator로 인스턴스화한다 확인. 이 Generator는 GE(Generator-Evaluator) 아키텍처의 list-level Evaluator 아래에서 기존 전략과 원자적으로 경쟁한다 확인.
- JSON 번들은 objective weights, content/category preferences, experience constraints, position policies로 이뤄진다.
- 훈련은 4B×2 teacher에서 0.8B student를 만드는 방식이다. production-path replay, 3종 reward, self-competitive curriculum, Evaluator-routed on-policy distillation을 조합한다.
- production-path replay는 로그된 요청을 사용자 노출 없이 재실행한다. reward는 selection, relative-rank, baseline-lift 세 가지다.
왜 주목: Taobao Homepage Guess You Like에 diff-triggered nearline 방식으로 배포했다. 7일 유저 랜덤화 A/B에서 click PV +2.11%, IPV +3.12%, 거래액 +2.83%를 기록했다 확인.
- LLM inference가 동기 랭킹 밖에 있어서 RT 영향은 관측되지 않았다.
- 같은 A/B에서 처리군은 GE call의 27.93%를 이겼다 확인.
- Netflix GenRec은 온라인에서 채점하는 LLM이고 Yandex Gryphon-v2는 온라인에서 생성하는 LLM인데, MetaStrategy는 이들과 대비되는 오프라인 정책 컴파일러 각도다. 그래서 LLM-native 스레드의 세 번째 메커니즘에 해당한다.
근거: 확인 arXiv 2608.09440, 2026-08-10.
상태: 관찰 중이다. 세 번째 회사에서 비슷한 nearline LLM 정책 컴파일러 진술이 나오면 topics/llm-in-recsys.md에 절을 신설할 후보가 된다.
- 같은 지면(Taobao 홈피드)을 다루는 DREAM과 대칭 관계다. MetaStrategy는 정책 컴파일러이고, DREAM은 실시간 파라미터 조정이다.

DREAM (Alibaba/Taobao) — 기존 파이프라인 위에 agentic 메타 제어 레이어를 추가한다

무엇: retrieval/rank/re-rank 파이프라인을 그대로 두고, 그 위에 policy layer를 추가하는 아키텍처다 확인.
- 3층 Intent Engine(L0/L1/L2)이 온디바이스 신호를 구조화된 인텐트로 융합한다. 엣지-클라우드 트리거 체인으로 리포팅 볼륨을 ~8.7%까지 압축한다.
- 그러면 MetaModel이 M1, M2, M3 순서로 추론해 파이프라인 파라미터를 조정하고, 안전 가드레일을 통과한 뒤에 배포한다.
- M1은 인텐트를 요약하고, M2는 Strategy Memory를 참조해 전략을 계획하며, M3는 파라미터로 번역한다.
- Reward Dual Loop(오프라인 시뮬레이션과 온라인 피드백)로 이중 최적화를 수행한다 확인.
왜 주목: 모델을 교체하지 않고 파라미터 조정만으로 얻은 이득이라는 점이 특이하다. Taobao 홈피드 A/B에서 re-ranking 제어에만 적용했을 때 IPV +2.06%, Core IPV +2.39%, GMV +0.88%였다 확인.
- fine ranking까지 확장했을 때는 각각 +2.71%, +3.06%, +1.31%였고, PV는 일관되게 +1% 이상 올랐다 확인.
- 저자들은 파이프라인 모델을 교체하지도, 서빙 안정성을 해치지도 않는다고 밝혔다: "neither replacement of pipeline models nor compromise of serving stability".
- MetaStrategy와 저자가 상당수 겹치므로 같은 조직의 두 실험선일 가능성이 있다. 겹치는 저자는 Chengyu Lai, Jiuning Lin, Bin Zhang, Han Zhu 등이다.
근거: 확인 arXiv 2608.09408, 2026-08-10.
상태: 관찰 중이다. MetaStrategy와 함께 "산업 추천 파이프라인 위의 LLM/agentic 제어 레이어"라는 흐름을 이룬다. 두 접근이 하나로 수렴하는지, 아니면 따로 병렬 배포되는지가 다음 관전 포인트다.

TM20K (ByteDance 광고) — 20K 시퀀스 랭킹을 teacher/student KD로 프로덕션 배포

무엇: teacher가 무거운 훈련으로 정답을 만들고, token merge로 시퀀스를 압축한 student를 KD(지식 증류)로 끌어올린다 확인.
- teacher와 student 모두 full attention을 유지한다. target-only attention이 아니다.
왜 주목: Meta HSTU/GEM(광고)와 LLaTTE 계열이 주장한 "긴 시퀀스 = 더 좋은 랭킹"이라는 명제에 대해 ByteDance가 낸 프로덕션 진술이다. ByteDance 광고에서 20K까지 실제로 돌렸다.
- 배포 결과는 시퀀스 길이 20K, ADSS +1.036%, 서빙 지연 +5.6%다.
- 훈련과 서빙 비용은 기존 SOTA와 거의 같다고 밝혔다: "nearly the same".
- 스케일링 법칙 스레드에 더해지는 새 데이터 포인트다. 다만 순수한 파라미터 스케일이 아니라 시퀀스 스케일을 KD로 뽑아낸 접근이라 방향은 다르다.
근거: 확인 arXiv 2608.07055, 2026-08-07.
상태: 관찰 중이다. 세 번째 회사 이상에서 초장기 시퀀스 진술이 쌓이면 topics/sequence-transformer-ranking.md에 절을 추가한다.
- Meta LLaTTE와 HSTU 사이의 미해소 논쟁에 20K 시퀀스 KD 라인이 제3의 접근으로 합류한다.
- 논쟁의 한쪽인 LLaTTE는 "semantic feature가 없으면 스케일링이 안 된다"는 입장이고, 다른 쪽인 HSTU는 "scaling만으로 된다"는 입장이다.

Progressive Alignment (Webtoon) — recsys foundation model에 RL post-training 도입

무엇: 추천 파운데이션 모델(FM)을 서빙 지면별로 SFT할 때 click/like 목표가 사업 지표와 어긋나는 문제를 LP, FFT, RFT의 3단계로 푼다.
- 먼저 LP(Linear Probing)는 프리트레이닝된 표현을 얼려 두고, 무작위로 초기화된 downstream head만 안정화한다.
- 다음으로 FFT(Full Fine-Tuning)는 전체 모델을 target task로 특화한다.
- 마지막으로 RFT(Reinforcement Fine-Tuning)는 학습된 reward model로 사업 지표에 정렬한다.
- 핵심 요령은 policy를 dense implicit feedback으로 학습하고, sparse business target은 reward model에만 쓰는 것이다 확인.
왜 주목: 추천 파운데이션 모델의 downstream 정렬에 LLM식 RLHF 파이프라인을 그대로 옮긴 프로덕션 진술이다. 대규모 online A/B에서 non-FM 베이스라인보다 개선했다고 주장하지만, 구체적인 숫자는 abstract에 없다.
- Netflix Foundation Model이 downstream head를 붙이는 방식과 대비할 수 있다. Netflix는 서빙 서피스별 head를 학습으로 붙이고, Webtoon은 그 위에 RL 정렬 단계를 하나 더 추가한다.
근거: 확인 arXiv 2608.06792, 2026-08-06 (RecSys '26 Industry Track).
상태: 관찰 중이다. Netflix FM과 Meta GEM의 downstream 적응 절을 교차 확인할 때 쓸 자료다. 추가 프로덕션 사례가 나오면 topics/multi-task-ranking.md나 새 topic(recsys post-training)의 후보가 된다.

Gryphon-v2 (Yandex Music) — generate-and-rank 단일 모델이 캐스케이드를 대체

무엇: retrieval과 rerank, rank를 단일 모델로 처리한다 확인.
- 유저 이력을 한 번 인코딩하고, autoregressive 디코더로 Semantic-ID 후보를 생성한다.
- 생성한 후보를 카탈로그 아이템으로 매핑한 뒤, 공유 인코더 상태를 재사용하는 item-level 랭커로 넘긴다.
왜 주목: 프로덕션 A/B에서 기존 캐스케이드를 대체했고, active users는 +1.41%였으며, 서빙 지연은 캐스케이드와 비교할 만한 수준이다.
- 대체한 캐스케이드를 저자들은 이렇게 적었다: "replaces the production cascade of 15+ candidate generators, pre-ranking and final ranking".
- Netflix GenRec 계보에 정면으로 대응하는 프로덕션 진술이다. GenRec은 랭킹 경로의 LLM인 반면, Gryphon-v2는 retrieval과 ranking을 통합한다.
근거: 확인 arXiv 2608.06213, 2026-08-06.
상태: 관찰 중이다. 음악 도메인이지만 메커니즘은 도메인과 무관해서 정본 topic(llm-in-recsys, embedding-retrieval)으로 승격할 후보다. generate-and-rank 단일 모델이 캐스케이드를 대체했다는 진술이 다른 플랫폼에서 또 나오면 topic 승격을 판단한다.
2026-08-13 추가 근거: 같은 회사가 후속으로 낸 Yandex Music Sona(arXiv 2608.11015, 2026-08-11)는 "My Vibe on smart speakers" 지면에서 candidate generation과 ranking을 단일 아키텍처로 통합했다. 프로덕션 A/B에서 캐스케이드 전체를 대체했다고 밝혔고, active users +4.53%, total listening time +6.30%를 abstract에 적었다 확인.
- 캐스케이드 대체에 대한 abstract의 표현은 이렇다: "replaced the entire production cascade".
- Gryphon-v2(전체 캐스케이드, +1.41% AU)와는 다른 지면인 스마트 스피커에 다른 모델을 배포한 것으로 보인다. 다만 둘의 관계는 확인하지 못했다.
- Yandex Music이 짧은 기간에 프로덕션 논문 두 편을 냈다는 사실 자체가, SID와 LLM을 통합한 랭커 계열에 회사 차원의 자원이 투입되어 있다는 신호다.

DrEM (Kuaishou 단편 비디오) — pxtr 노이즈 이중 보정 ensemble ranking

무엇: 앙상블 랭킹 단계에서 상위 멀티태스크 모델이 내는 행동별 예측 확률(pxtr)의 노이즈를 supervision side와 feature side 양쪽에서 보정한다.
- pxtr의 예로는 pctr/pvtr/pcmtr/pftr가 있다.
- 예측 노이즈는 두 가지 문제를 일으킨다. proxy preference 라벨을 뒤집기도 하고, feature-side 입력으로 유입되어 순위 스코어를 흔들기도 한다.
- supervision side에는 쌍별 라벨이 뒤집힐 확률(pairwise flip probability)로 empirical risk를 정정하는 robust loss를 쓴다.
- feature side에는 예측 노이즈 분포에서 샘플링한 perturbation에 대해 preference-preserving ranking consistency regularizer를 쓴다.
- 이론적으로는 뒤집힐 확률의 추정에 오차가 있어도 robust loss가 basic pairwise loss보다 우월하다는 것을 증명했다 확인.
왜 주목: Kuaishou의 산업 규모 단편 비디오 플랫폼에서 EMER·EASQ production 백본 위에 적용해 7일 유저 랜덤화 A/B를 돌렸다. 메인 트래픽의 5.1%를 배정했고, 모든 지표가 p<0.005였다.
- EMER 백본 기준 처리군 지표는 Follow +1.197%, Comment +1.388%, Video View +0.691%, Long View +0.401%다. 나머지 지표는 Like +0.625%, Forward +0.683%, App Stay Time +0.116%, LT7 +0.017%다.
- 저자들 스스로 팔로우·댓글 같은 sparse behavior가 뷰·롱뷰 같은 dense behavior보다 gain이 크다고 관찰했다.
- 이 관찰은 이론적 예측과 일치한다. 그 예측은 스파스 태스크가 예측 분산이 커서 라벨이 뒤집힐 확률이 높고, 그만큼 robust correction의 여지도 크다는 것이다.
근거: 확인 arXiv 2608.12778, 2026-08-13, 저자 8명(Kuaishou Technology Beijing과 Shenzhen University의 협업).
- HTML에서 소속 표기를 확인했다. Kaiqiao Zhan / Xiaoxiao Xu / Tiantian He 등이 Kuaishou 라인이다.
상태: 관찰 중이다. topic 승격은 두 번째 회사의 유사한 진술이 나오면 판단한다.
- Kuaishou가 HD-Rec/PushDualGen SID 라인에 이어 pxtr ensemble 라인에서도 프로덕션 진술을 내면서 8월에 3편째를 기록했다.
- 세 프로덕션 진술은 SID cross-domain, SID+CoT 푸시, ensemble ranking noise robustness로, 알고리즘 계열이 모두 다르다는 점이 특징이다.
- 앙상블 랭킹의 label noise와 feature noise 이론화를 Kuaishou가 대규모 프로덕션에서 확인한 첫 사례다. 그래서 다목적 랭킹 조합에서 생기는 pxtr 노이즈를 겪는 회사에 참조 자료로 유효하다. X·Meta·Netflix가 모두 여기에 해당한다.

SDF (Google Discover) — 2년 프로덕션 staleness 필터, supersession + decay 이중 학습 모델

무엇: 콘텐츠 피드의 "낡음"을 두 가지 다른 메커니즘으로 분해하고, 메커니즘마다 학습된 필터를 둔다 확인.
- Supersession은 새 아이템이 이전 아이템을 무효화하는 경우다. 이적이 확정된 소식 이후의 이전 협상 기사가 그런 예다.
- Supersession 필터는 pairwise classification framework를 쓴다. LLM 파이프라인으로 합성 학습 데이터를 만든 다음, 지식 증류로 학생 모델을 서빙한다.
- Relevance Decay는 후속 아이템이 없어도 시간에 따라 자연히 감쇠하는 경우다. "오늘 밤 유성우" 안내가 그런 예다.
- Decay 필터는 텍스트·이미지·비디오로 된 아이템의 멀티모달 콘텐츠를 입력으로 받는다. lifetime visit traffic으로 학습한 multi-horizon PTR(Predicted Traffic Ratio) 회귀 모델이다.
- 두 필터를 disjunction(OR)으로 결합해 ranking 이전의 upstream candidate pruning 단계에 배치한다 확인.
왜 주목: Google Discover에 2년 동안 프로덕션 배포했고, user-filed staleness reports가 배포 전 기준선(pre-deployment baseline) 대비 54.9% 감소했다. DAU는 수억 명, MAU는 수십억 명이다.
- supersession filter 단독으로는 64.0%, decay filter 단독으로는 34.4%다.
- Engagement-neutral 제약 아래에서 튜닝했고, 인위적으로 aggressive하게 자르면 지표는 더 좋아지지만 engagement가 떨어져서 배제했다 확인 4.2절.
- X의 IS_STALE_POST14D bool feature와 대조되는 완전한 학습 기반 접근이다. X의 이 feature는 14일 시간 규칙 기반에 count zero stamp를 더한 것이다.
- staleness를 ranking 이전에 아예 제거하는 위치여서, X의 "랭커에게 명시적 라벨을 준다"는 위치와 근본적으로 다르다.
근거: 확인 arXiv 2608.15780, 2026-08-16 제출, CIKM Applied Research Track 2026 accepted (DOI 10.1145/3799682.3840082).
- 저자 6명은 전원 Google LLC 소속이다. HTML 판에서 affiliation 표기와 @google.com 도메인을 확인했다.
상태: 관찰 중이다. Google Discover가 아직 canon의 추적 서비스가 아닌 이유는 retrieval·ranking·다양성 등 나머지 스택을 공개하지 않았기 때문이다. 두 번째 컴포넌트가 공개되면 정본 등록을 다시 검토한다.
- 두 번째 회사의 유사한 진술이 나오면 topics/에 staleness 절을 신설할 후보가 된다.
- Netflix Foundation Model과 Meta ConnectionMind가 stale item을 어떻게 처리하는지는 확인하지 못했다.

Tlow (WeChat/Tencent) — flow-based item tokenizer가 RQ-VAE 대안으로 프로덕션 CTR +10.32%

무엇: Semantic ID(SID) 라인의 item tokenizer에서, 표준 방법인 RQ-VAE의 알려진 세 가지 문제를 normalizing flow로 접근한다. tokenization의 codebook 활용률과 semantic locality 두 축에서 RQ-VAE보다 낫다고 주장한다 확인.
- item tokenizer는 각 아이템의 의미 임베딩을 discrete token ID 시퀀스로 변환하는, SID 라인의 핵심 컴포넌트다. RQ-VAE는 Residual-Quantized VAE다.
- 세 문제는 codebook collapse, quantization 오류의 residual 축적, 그리고 비슷한 아이템이 완전히 다른 token 시퀀스로 매핑되는 불연속성이다.
- codebook collapse는 대부분의 code slot이 죽고 소수만 활용되는 현상이다.
- Flow는 invertible neural network로 임베딩 공간을 학습 가능한 분포로 변환하고 다시 역변환한다 확인.
왜 주목: China's largest social media platform인 WeChat(Tencent)에서 프로덕션 A/B를 돌렸다고 abstract에 명시했다. token ID 기반 retrieval model은 user CTR +10.32% globally, +11.64% for new items를 기록했다.
- 신규 아이템에서 개선폭이 더 큰 것은 콜드스타트에 특히 강하다는 점을 시사한다. semantic tokenization 라인의 핵심 이점을 프로덕션 지표로 확인한 셈이다.
- 지금까지 SID 라인은 대체로 "RQ-VAE + downstream 모델" 조합이었다. tokenizer 층을 flow 기반으로 대체해도 프로덕션 유효 지표가 개선된다는 첫 진술이다.
- RQ-VAE의 codebook collapse가 실제 서빙에서 문제였다는 방증이기도 하다 추정. Tencent가 이 문제를 겪고 대안을 내놓았다고 해석한다.
근거: 확인 arXiv 2608.24176, 2026-08-25 v1. 저자 소속은 Tencent WeChat rec 그룹이다.
- Chonggang Song·Nian Li 등의 저자 명단과 WeChat 프로덕션 진술로 소속을 확정했다.
상태: 관찰 중이다. SID/generative retrieval 스레드에 새 축이 생겼다. tokenizer 아키텍처 자체가 프로덕션에서 갈리기 시작했다.
- 관전 포인트는 두 가지다. 하나는 code와 상세한 flow structure의 후속 공개이고, 다른 하나는 두 번째 회사(Kuaishou/ByteDance/Xiaohongshu)에서 비슷한 tokenizer 대안 진술이 나오는지다.
- Tencent WeChat rec은 최근 조용한 편이었다. 이 논문 이후에 Weixin Video Channels 등 다른 지면의 진술이 이어질지 지켜볼 가치가 있다.

TAGR — 익명 대형 e-commerce live-stream 광고 플랫폼, revenue +16.1%

무엇: 빠르게 바뀌는 라이브 스트리밍 광고에 맞춘 Temporally Adaptive Generative Recommendation을 제안한다. 구체적인 시간축 adaptation 메커니즘(tokenizer 재학습 주기인지, online update인지)은 abstract에 공개하지 않았다 확인.
- 라이브 스트리밍 광고는 콘텐츠·상품·유저 피드백이 분 단위로 바뀌기 때문에 recommender에 강한 freshness를 요구한다.
- 그런데 지금까지 generative recommender(SID 기반) 라인은 대부분 static 카탈로그를 가정했다.
- abstract는 이 모델이 빠르게 바뀌는 라이브 콘텐츠, 프로모션 상품, 유저 피드백을 위해 설계됐다고 표현한다: "designed for rapidly changing live content, promoted products, and user feedback".
왜 주목: 대규모 e-commerce 라이브 스트리밍 광고 플랫폼에 프로덕션 배포했다고 abstract에 진술했다. production baseline 대비 live-room entry rate +8.5%, shopping-cart click rate +7.4%, revenue +16.1%를 얻었다.
- abstract는 배포처를 "a large-scale e-commerce live-stream advertising platform"이라고 적었다.
- Twitch(Amazon) Multi-Objective 라이브와 Netflix의 라이브 콜드스타트에 이어, 라이브 스트리밍 랭킹 스레드에 붙는 세 번째 회사다.
- 광고 지면이자 중국 e-commerce 라이브라는 다른 각도여서, generative recommender가 광고와 라이브, 빠르게 변하는 도메인에서도 프로덕션 진술을 쌓고 있다.
- 다만 저자 소속과 플랫폼 이름을 abstract에 공개하지 않았다. 중국 e-commerce live-stream의 대표 후보는 Kuaishou·Alibaba Taobao Live·Douyin·Xiaohongshu인데, 저자 이름으로는 어느 회사와도 직접 매칭되지 않는다 추정.
근거: 확인 arXiv 2608.24034, 2026-08-25 v1.
상태: 관찰 중이다. 플랫폼을 확인하지 못한 것이 가장 큰 약점이고, 저자 이메일 도메인을 확인하는 것이 다음 단계다. v2 이후에 저자 소속이 공개되면 정본 승격을 다시 검토한다.
- 두 번째 회사에서 라이브와 generative를 함께 다룬 비슷한 진술이 나오면 topics/multi-task-ranking.md나 새 live-streaming topic으로 승격할 후보가 된다.

HEGM (VK 러시아) — 짧은 비디오 watch-time 분포 예측, 프로덕션 A/B 상세 수치 공개

무엇: 짧은 비디오 랭킹의 핵심 회귀 타깃인 watch time 조건부 분포를 예측하는 HEGM(Hierarchical Exponential-Gaussian Mixture)을 제안한다. 기존 SOTA인 EGMN의 세 가지 실패 모드를 반복해서 재현하면서 대응책을 마련했다 확인.
- watch time 조건부 분포는 near-zero-inflated·long-tailed·multimodal이다.
- EGMN(Exponential-Gaussian Mixture Network)은 Gaussian mixture로 밀도 전체를 모델링한다. 그래서 단일 point estimate가 아니라 CDF 임계 이벤트 예측을 지원한다.
- 첫째 실패 모드인 variance collapse는 σ_k(x)→0이 되어 특정 샘플에 likelihood spike가 생기는 현상이다.
- 둘째 실패 모드인 component redundancy는 여러 Gaussian이 μ_i≈μ_j·σ_i≈σ_j로 수렴하는 현상이다.
- 셋째 실패 모드인 inactive components는 대부분의 mixture weight가 0으로 붕괴하는 현상이다.
- HEGM에서는 sigmoid gate가 skip 확률 p_skip(x) = σ(W_skip h + b_skip)를 예측한다. skip이면 exponential 컴포넌트로, 아니면 Gaussian mixture로 밀도를 결합한다.
- 이 계층적 skip-watch decomposition은 "quick skip = 무관심"과 "engaged viewing = 실제 시청"을 판정 층에서 분리한다.
- 그 밖에 KL 기반 variance regularization을 넣고 structured initialization을 적용하며, forced Gaussian shift와 entropy regularizer를 제거한다 확인.
왜 주목: VK(러시아의 대형 소셜 플랫폼)의 대규모 short-video 지면에서 프로덕션 A/B를 돌렸다. session depth는 +9.26%, shares는 +14.59%, dislikes는 −8.34%였다.
- 시청 길이별 결과는 deep watch(≥10s) +5.75%, non-short watch(≥3s) +4.59%, skips(<3s) −6.23%다.
- 1.5개월(1개월 forward와 2주 reverse swap) 테스트에서 처리군과 대조군에 각각 5% 트래픽을 배정했고, 하루에 각 그룹당 ~11M 요청을 처리했다 확인 HTML 판.
- Kuaishou DrEM에 이어 짧은 비디오 프로덕션 랭킹 논문에서 또 다른 회사(VK)가 낸 진술이다. 특히 watch-time 조건부 분포 예측(EGMN 라인)이 별도의 계보로 진화하고 있음을 확인해 준다.
- 저자는 전원 AI VK와 Lomonosov Moscow State University를 겸직한다. Yandex Music Gryphon-v2/Sona 라인과는 다른 회사인 러시아 리서치 소스가 프로덕션 진술을 잇달아 쌓고 있다.
근거: 확인 arXiv 2608.23356, 2026-08-24 제출. 코드와 모델은 github.com/rw404/HEGM에 공개했다.
상태: 관찰 중이다. VK 말고 두 번째 회사에서 EGMN 계열 프로덕션 논문이 나오면 topics/multi-task-ranking.md에 절을 신설할 후보가 된다.
- Netflix Foundation Model의 watch-time head, X의 랭킹 모델 Phoenix의 quantile head 5분위(4세대+4)와 대비할 수 있는 자료다.
- HEGM은 회귀 자체를 분포 예측으로 처리하므로, point estimate와 quantile을 조합하는 Netflix·X와는 다른 각도다.

User Behavioral Densing Law (Ant/Alipay) — 3번째 회사의 스케일링 법칙 확인

무엇: tokenization의 최소 충분 용량과 데이터 스케일 사이의 densing law를 이론과 실험으로 도출하고, 이를 근거로 variable-length 방식인 ALGN을 제안한다 확인.
- 유저 행동 시퀀스 데이터가 billion-scale로 커지면 raw 텍스트 스케일링만으로는 성능이 diminishing return에 걸리고, tokenization이 필요해진다는 문제를 다룬다.
- 최소 충분 용량 C*와 데이터 스케일 s의 관계는 단일 차원에서 ln C*(s) = β + α ln(s/s_0)이고, 다차원에서 ln C*(s) = β + Σ_i α_i ln(s_i / s_{i,0})이다.
- ALGN은 데이터 스케일에 따라 tokenization capacity를 적응적으로 조절한다 확인.
왜 주목: Meta HSTU·Wukong·GEM 계열과 Netflix Foundation Model의 스케일링 확인에 이어, Ant Group(Alipay) 데이터로 스케일링 법칙을 형식화했다. 다만 offline 벤치마크만 있고, 프로덕션 A/B 진술은 없으며 배포 상태도 공개하지 않았다.
- 이번에는 파라미터 스케일이 아니라 tokenization capacity 스케일의 법칙이라는 새 각도다.
- LLM 도메인의 Densing Law(arXiv 2412.04315)가 쓴 명명과 수식 구조를 추천 도메인의 tokenization으로 그대로 옮긴 접근이다.
- offline 벤치마크는 0.5M user held-out set과 3개 downstream task(classification, text retrieval, user-to-user retrieval)로 이뤄진다.
근거: 확인 arXiv 2608.23392, 2026-08-24 제출. DeepFind Team @ Ant Group과 Zhejiang University의 협업이다.
상태: 관찰 중이다. 스케일링 법칙 스레드에 tokenization capacity 스케일링이라는 세 번째 각도를 더한다. Ant Group의 다른 프로덕션 진술(예: 이 densing law를 Alipay 서빙 스택에 반영했다는 후속)이 나오면 topics/sequence-transformer-ranking.md로 승격할 후보가 된다.

Descriptive Reasoning Trace가 Recommendation Effectiveness를 떨어뜨린다 (Spotify Research) — SID+CoT 라인의 첫 반박 진술

무엇: Semantic ID(SID) 기반 generative recommender에 chain-of-thought 재추론 트레이스를 붙이는 최근 흐름(SIDReasoner 등)이 traditional offline 지표를 실제로 개선하는지 통제 실험으로 확인한다. explicit reasoning trace를 도입하면 SFT와 RL 모두에서 traditional offline effectiveness가 감소한다 확인.
- 설계는 2×2 factorial이다. {SID vs Title 아이템 표현} × {No Reasoning vs Reasoning}을 Amazon 도메인 3개에서 공통 Qwen3-1.7B 백본으로 비교했다.
- 예를 들어 Office Products와 Titles 조합에서는 R@10이 .1587에서 .1416으로 떨어졌다(−11%). 전체 도메인 범위로는 Titles가 −19% ~ 0%, SIDs가 −9% ~ 0% 저하했다.
- Title은 SID보다 더 grounded하고 interpretable한 trace를 생성한다. 그런데도 extensive SID alignment는 trace quality만 올릴 뿐, recommendation effectiveness는 살리지 못한다.
- Richer reward signal이 이 격차를 부분적으로 좁힌다 확인.
왜 주목: Kuaishou PushDualGen은 SID와 skippable copy(CoT-lite)를 조합해 프로덕션 지표를 개선했다고 진술했다. 반면 Spotify Research의 통제 실험은 CoT가 recommendation effectiveness를 오히려 낮춘다는 반대 방향의 관찰을 내놓았다.
- PushDualGen이 진술한 지표는 effective play rate +8.50%, 불만족률 −37.70%다.
- 다만 두 자료는 조건이 다르다. Kuaishou는 push 지면에서 실제 카탈로그로 프로덕션 A/B를 돌렸고, Spotify는 offline에서 Amazon reviews와 작은(1.7B) 백본을 썼다. negative result가 어떤 조건에서 유효한지 파악하는 것이 목적이다.
- Spotify가 "trace를 붙이면 지표가 떨어지고, alignment를 늘려도 안 된다"는 재현 가능한 반박점을 만들었다. 그래서 SID+CoT 라인의 다음 프로덕션 진술을 볼 때는 백본 크기, offline과 online의 차이, reward 설계라는 조건이 관건이 된다.
근거: 확인 arXiv 2608.23154, 2026-08-24 제출. 저자 6명은 전원 Spotify Research 소속이다.
- 이메일 도메인 @spotify.com으로 HTML 판에서 affiliation을 확인했다.
상태: 관찰 중이다. llm-in-recsys.md에서 SID와 reasoning을 결합하는 갈래에 반증점으로 링크한다. 두 번째 회사에서 비슷한 반박이나 조건부 확인 진술이 나오면 topic에 별도 절(SID와 reasoning trace: production vs benchmark 논쟁)을 신설할 후보가 된다.

GateDiffInt (Xiaohongshu) — 유저 행동 시퀀스에 diffusion 노이즈 제거 + LLM 다중 인텐트 증류를 적용한 CVR 랭커

무엇: 유저 행동 시퀀스의 noise-intent coupling 문제를 diffusion 기반 denoising과 LLM 다중 인텐트 증류라는 두 축으로 풀고, CVR을 예측한다.
- noise-intent coupling은 노이즈가 참 인텐트를 희석하고, 구조화된 인텐트 prior가 없으면 denoising 타겟도 없다는 문제다.
- Gate-Mediated Controllable Diffusion은 dual gating이 붙은 controllable forward diffusion 과정으로 행동 시퀀스를 enhance하고 denoise한다.
- Multi-Intent LLM Distillation은 LLM teacher가 네 종류의 구조화된 인텐트를 lightweight student로 증류하게 한다. 네 종류는 long-term / short-term / latent / conversion이다.
- 증류한 인텐트는 attention으로 융합해 CVR을 예측한다 확인.
왜 주목: Xiaohongshu의 프로덕션 primary traffic에 배포해 hundreds of millions DAU를 서빙하며, "substantial GMV improvements"를 진술했다. 구체적인 uplift 숫자는 abstract에 공개하지 않았다.
- OneModel이 유기·광고·상점의 랭커 통합 각도라면, 이쪽은 같은 회사의 행동 시퀀스 인코더와 CVR 헤드 각도로 독립되어 있다.
- LLM을 서빙에 두지 않고 teacher로만 쓰는 접근이라, offline policy compiler인 MetaStrategy의 사촌 격이다.
근거: 확인 arXiv 2608.18764, 2026-08-19 v1 / 2026-08-20 v2. 저자 이메일 도메인은 xiaohongshu.com이다(PDF 메타에서 확인했다).
상태: 관찰 중이다. 두 번째 회사에서 diffusion을 시퀀스 denoising에 쓰는 프로덕션 랭커 진술이 나오면 topics/sequence-transformer-ranking.md에 절을 신설할 후보가 된다. v3 이후에 구체적인 uplift 숫자를 공개하는지 확인할 예정이다.
- Xiaohongshu는 짧은 기간에 프로덕션 진술 두 편(OneModel과 GateDiffInt)을 냈다. 둘은 랭커 통합과 시퀀스 인코더라는 서로 다른 계층을 다룬다.

OneModel (Xiaohongshu) — 유기·광고·상점 3개 지면을 하나의 랭커로 통합

무엇: Explore Feed의 유기 추천, Feed Advertising의 광고, Merchant Recommendation의 상점 추천을 하나의 랭커로 서빙한다 확인.
- 이종 행동을 공유 이벤트 시퀀스로 매핑하고, action-oriented backbone으로 long-context user representation을 만든다.
- Scenario-aware Information Modulation으로 cross-stream transfer와 stream-specific specialization의 균형을 잡는다.
- 프로덕션 최적화 항목에는 stratified user representation, multi-objective training, feature decomposition이 있다. user feature prefetching, shared user-tower computation, graph-level inference optimization도 여기에 든다 확인.
왜 주목: 하나의 랭커가 여러 비즈니스 스트림을 통합해서 서빙한다는 세 번째 프로덕션 진술이다. Xiaohongshu 프로덕션 A/B에서 세 지면의 지표를 함께 보고했다.
- Explore Feed는 Time Spent +0.33%, Engagement +1.25%를 기록했다.
- Feed Advertising은 value +3.43%, CTR +8.18%를 기록했다.
- Merchant Recommendation은 DGMV +1.1867%, GPM +2.1585%를 기록했다.
- 세 진술을 나란히 보면, Netflix FM은 서비스 다양성을 foundation에서 head로 잇는 방식이고 Meta GEM은 광고 domain 안의 지면 다양성을 다룬다. Xiaohongshu OneModel은 광고·유기·상점을 대등하게 통합한다.
- Meta GEM은 광고 domain 중심인 반면 OneModel은 유기·광고·상점을 대등하게 통합한다는 점이 새 각도다.
근거: 확인 arXiv 2608.18606, 2026-08-19 v2.
상태: 관찰 중이다. Xiaohongshu는 아직 canon의 추적 서비스가 아니고, 서비스 정본(services/xiaohongshu.md)도 새로 만들지 않았다. 두 번째 회사(중국 밖 플랫폼)의 유사한 진술이 나오면 topics/multi-task-ranking.md나 새 unified-multi-scenario topic으로 승격할 후보가 된다.
- "action-oriented backbone" 아키텍처의 세부와 cross-stream transfer 게이팅 메커니즘이 후속 논문이나 발표에서 나오는지가 지켜볼 포인트다.

Multi-Objective Ranking for Live-Streaming (Twitch) — delayed feedback window

무엇: delayed window collection과 multi-model architecture로 fresh 신호와 delayed 신호를 각기 학습한 뒤 결합한다 확인.
- 라이브 스트리밍은 즉시 신호와 지연 신호의 시간 스케일이 다르다는 문제를 안고 있다. 즉시 신호는 click, initial watch이고, 지연 신호는 session length, retention이다.
왜 주목: Twitch(Amazon)의 mobile live feed에서 online A/B를 돌려 DAV와 ARPU가 유의미하게 개선됐다고 진술한다.
- Netflix의 라이브 콜드스타트(RecSys 2025)와 인접하지만, 이쪽은 일반 라이브 피드의 다목적 랭킹이고 segment-aware targeting까지 더한다.
근거: 확인 arXiv 2608.04455, 2026-08-05.
상태: 관찰 중이다. Netflix의 라이브 콜드스타트와 교차 확인하는 자료로 유용하다. 정본 반영은 라이브 지면을 추적하는 서비스가 늘 때까지 보류한다.

졸업 / 종료

(아직 없다)