arXiv · cs.AI· Jiajun Han, Guoxin Ma, Felix, Liangsheng Xu, Ruiqi Yu, Yingdi Guo, Zongbing Wang, Xinhua Ye, Chenyan Hua, Xin Xie, Pengcheng Yang, Haijun Wu·· 12 小时前精选
WeGR：微信工业搜索的统一生成式检索框架
WeGR: Unified Generative Retrieval for Industrial Search Systems in WeChat
arXiv:2610.16979v1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：Jiajun Han, Guoxin Ma, Felix, Liangsheng Xu, Ruiqi Yu, Yingdi Guo, Zongbing Wang, Xinhua Ye, Chenyan Hua, Xin Xie, Pengcheng Yang, Haijun Wu
研究任务与主要进展
WeGR 提出面向微信工业搜索的统一生成式检索框架，通过 CoCo-VAE 和 DHPO 分别改善 Semantic ID 表示与强化学习中的奖励稀疏问题。基于论文摘要，微信电商搜索两个月在线 A/B 测试报告订单量相对提升2.539%、点击率提升1.508%、转化率提升1.381%，并使在线 CPU 和 GPU 使用率分别降低25.5%和26.1%。
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。
本站判断
基于论文摘要，WeGR 将协同信号融入无码本坍塌的 Semantic ID 分词器，并通过逐步扩展策略优化视野缓解精确 SID 匹配造成的奖励稀疏，目标是同时改善检索排序与资源开销。摘要报告的微信电商搜索在线 A/B 测试显示订单、点击率和转化率提升，同时降低 CPU/GPU 使用率，但离线基线、样本规模及更广泛场景差异仍未说明，影响判断仍取决于这些实验条件。本站设想：可在相同流量、预算和资源约束下，对比 WeGR 与现有工业搜索生成式检索系统的排序效果及端到端成本。
来源：arXiv · cs.AI · arxiv.org