快手提出 DIRECTOR 框架，基于最优传输将推荐系统算力削减 66.7%
_reachsumit · x · 2026-07-30
快手团队发布了论文 DIRECTOR（Dynamic Index-based Recommendation with Transport-Optimized Retrieval），旨在解决推荐系统中重排序环节的效率与协调性问题。
- 背景痛点：传统的自回归（AR）模型逐个生成推荐列表，存在较高延迟且容易过早剪枝；而非自回归（NAR）方法虽然并行速度快，但容易导致推荐项重复或冲突。
- 核心方案：DIRECTOR 将候选项映射到连续潜在空间，并行生成动态检索索引。在训练阶段使用熵正则化的最优传输（Optimal Transport）提供防冲突监督；在推理阶段直接进行全局硬匹配。
- 性能表现：相比传统的 AR 搜索，该框架彻底消除了重复项，并将服务计算量大幅削减了 66.7%。
「研究」频道最新
- 研究表明智能体框架可大幅提升 LLM 组合泛化能力 — lateinteraction · 2026-07-30
- 摆脱 API 调用者，斯坦福 CS336 大模型从零构建课程 — techNmak · 2026-07-30
- 斯坦福等提出 Handroid：可在人形与灵巧手间变形的机器人 — carlosdponx · 2026-07-30
- RATs：多智能体机器人终身技能学习系统，无需梯度或强化学习 — rsasaki0109 · 2026-07-30
- Cisco开源安全模型Antares-3B：本地运行成本仅1美元，性能接近GPT-5.5 — joshua_saxe · 2026-07-30
- DeepMind 研究员：大模型如同无索引图书馆，每次预测需遍历全部参数 — iamtrask · 2026-07-30