OxygenREC的成功，标志着生成式推荐在工业落地上迈出了关键一步。它通过“快慢思考”巧妙平衡了深度推理与低延迟，通过“指令跟随”实现了对推荐过程的精准可控，并通过统一的奖励与策略学习破解了多场景扩展的难题，真正实现了“一次训练，多场景部署”的pipeline。未来，京东零售OxygenREC团队计划从两个方向继续探索：•一是向基于语言扩散模型的非自回归生成范式演进，从根本上突破序列生成延...

分层 MEM-HBM 架构虽解决了10 TB 级参数的横向扩展难题，但在训练流程中，从 MEM 查询训练所需 Embedding、再将更新后的 Embedding 写回 MEM 的过程中，面对大规模、超长序列、高频率的查询与更新场景，CPU...

本文介绍了快手的OpenOneRec技术报告，提出了RecIF-Bench推荐领域的基准测试，涵盖8种任务类型。通过两阶段对齐策略，提升模型的推荐和通用能力。开源模型分为标准和专业版本，训练数据包括16万用户和9600万交互数据，确保可复现性。

LLM 是一种输入输出程序，结构化和清晰的输入能提高输出质量。通过角色设定和规则限制，帮助 LLM 理解场景，从而提供高质量的回答。

麻省理工学院与哈佛大学联合团队提出的基于人工智能的端到端设计流程——CleaveNet，正是为了应对这一挑战。该流程通过预测模型与生成模型的协同工作，旨在彻底改变蛋白酶底物设计的现有范式，为相关基础研究与生物医药开发提供全新的解决方案。

这就是为什么.NET团队投资了一组扩展,这些扩展为使用模型提供一致的API,这些API是通用的但又是灵活的。它还支持中间件等场景,以减轻日志记录、跟踪、注入行为和您可能使用的其他自定义流程的负担。"礼宾代理"可能包括具有提供天气、事件和本地商业信息的工具的推理模型,以及能够生成带有基于转弯指令的地图的专用模型。在图中,单词"star"的语义含义可以根据其与"天体"(夜晚的星星)概念和"演员"...

「RFdiffusion3：蛋白质设计模型」现已上线 HyperAI超神经官网（hyper.ai）的「教程」板块，快来一键部署体验！

目前包括 RFdiffusion（RFD1）和 BindCraft 在内的大多数方法，均采用氨基酸残基水平的蛋白质表示，已能够成功设计蛋白质单体、组装体以及蛋白质-蛋白质相互作用体系，但其分辨率仍不足以精确设计与非蛋白质组分（如小分子配体与核酸）发生特异性侧链相互作用的结构。研究团队通过设计并实验表征 DNA 结合蛋白与半胱氨酸水解酶，展示了 RFD3...

英国蛋白质分析技术研发商 Peptone 公司、英伟达公司、麻省理工学院等组成的联合团队提出了两项关键突破。其一是 PeptoneBench 系统评估框架：该框架整合 SAXS、NMR、RDC、PRE 等多源实验数据，并结合最大熵重加权等统计方法，实现了实验观测与理论预测的严格定量对照。其二是生成模型 PepTron：基于扩展后的合成 IDR...

生成式推荐模型通过将用户行为数据转化为机器可读格式，将推荐任务视为生成任务。尽管在感知和认知领域已有成功模型，行为领域的推荐模型仍在发展中。本文探讨了生成式推荐的挑战、技术及未来方向，强调了token化在推荐系统中的重要性。

不同类型的真实世界 建模元素 对应的模型类型 感知世界（Perceptual World） 视觉（Vision） 扩散模型（Diffusion Models, DMs） 认知世界（Cognitive World） 语言（Language） 大语言模型（LLMs） 行为世界（Behavioral...

90后华人副教授陈远思攻克了困扰数学界30年的塔拉格兰卷积猜想，成果与生成式AI相关，为高维离散空间平滑化提供了数学支持，对机器学习中的正则化概念产生重要影响。

生成式推荐（GRs）在过去一年取得显著进展，依托大型语言模型（LLM）提升推荐性能，形成新范式。传统推荐面临特征工程和模型复杂度的瓶颈，而LLM通过长序列建模和知识注入有效解决冷启动问题。未来，GRs将重点关注深度推理、多模态对齐和并行生成优化，重构推荐系统的价值链。

生成式推荐在2025年迎来爆发并非偶然，而是LLM技术成熟度与推荐工业场景需求共振的结果。1、LLM生态成熟•分布式训练框架，通过数据并行、模型并行和流水线并行策略，结合混合精度训练、梯度累积等优化技术，显著缩短了模型训练周期。同时，融合监督微调（Supervised Fine-Tuning，SFT）与人类反馈强化学习（Reinforcement Learning from Human...

研究人员将 LLM-style 的推理技术落地至生成式推荐，进而提出了 OnePiece 框架，首次将类似 LLM 的上下文工程和隐式推理，注入到 item ID 为语言的搜推模型中，并取得显著线上收益推全。

生成式AI在自然语言处理方面表现优异，但在结构化数据应用中仍面临挑战。企业需转变数据应用逻辑，以应对不确定性，利用AI提炼洞察，提升动态决策能力，以应对未来竞争。