arXiv · cs.AI· Sejoon Oh, Fernando Amat Gil, Evan Smothers, Dan Iter, Mark Thornburg, Dawit Mureja Argaw, Sourabh Medapati, Thea Wang, Ria Verma, Qiuling Xu, Harshit Syal, Ehsan Gholami, Moumita Bhattacharya, Ashish Rastogi·· 11 小时前
语义ID个性化LLM推荐：自回归束搜索与多Token预测对比
Personalized LLM Recommendation with Semantic IDs: Autoregressive Beam Search vs. Multi-Token Prediction
arXiv:2610.15864v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Sejoon Oh, Fernando Amat Gil, Evan Smothers, Dan Iter, Mark Thornburg, Dawit Mureja Argaw, Sourabh Medapati, Thea Wang, Ria Verma, Qiuling Xu, Harshit Syal, Ehsan Gholami, Moumita Bhattacharya, Ashish Rastogi
研究任务与主要进展
该研究在大规模流媒体目录上比较了单头自回归束搜索与多Token预测生成语义ID的效果，单头束搜索在多数产品质量指标上占优，并使Qwen3-8B规模的训练成本降低约2.6倍。多Token预测仅在原始推理吞吐上胜出；研究还提出联合SID排序损失，并报告相较非SID辅助排序基线，冷启动排序提升77%、内容问答准确率提升22%、训练速度提升2.8倍。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org