每日 AI 论文早报｜2026-08-25
按 arXiv 8 月 25 日公告批次筛选。受周末积压与 UTC 截稿影响，新稿页面主要显示为 8 月 21–24 日提交；另有 4 篇 v2 更新。精选 16 篇，已排除昨天介绍的动态单级码本、DoorDash SID 层级、LiLiCorr 等条目。
一、搜索、广告与推荐系统
1. 从固定 SID 原子到可变长语义子词
Rethinking Item Tokenization in Generative Recommenders: From Fixed Atoms to Semantic Subwords
作者：Xinrui Miao、Mingjia Yin、Jiaqing Zhang 等；中科大、华为。8 月 24 日，新提交；CIKM 2026 论文；代码。
SST 只压缩历史侧：把 SID 中稳定相邻的原子 token 合并成可变长 subword，目标侧仍生成固定长度 SID；BCA 再注入高频语义前缀转移。相较固定 SID，它明确区分“适合解码的地址”和“适合编码用户历史的表示”，三种生成式推荐 backbone 上相对强基线提升约 3.9%–13.8%。
为什么重要：与你的长历史、两层 SID 和浅 Encoder 高度同构；无需改变线上候选解析。公开代码提升了可复现性，但目前只有公开离线数据。
2. 单向量检索存在指数级表达瓶颈
Retrieval Needs Multivectors: An Exponential Separation
作者：Mihir Agarwal、Viraj Agrawal、Sabyasachi Basu 等；Microsoft Research India。8 月 21 日，新提交、理论与基准预印本。
论文首次构造出明确的排序问题：单向量需要指数维度才能把所有相关文档排在不相关文档之前，而多向量只需多项式规模；新的 ANDOR 基准也显示单向量模型微调后改善有限，多向量模型则明显受益。变化在于理论结论针对“排序关系”，而不只是逼近连续相似度。
为什么重要：你当前 embedding 的极低有效秩可能意味着瓶颈不是 codebook 容量，而是单一向量无法同时表达多种用户意图。arXiv 页面未给代码链接，ANDOR 与真实推荐分布仍有距离。
3. 更好的推荐推理文本，不一定带来更好的推荐
The Disconnect Between Better Descriptive Reasoning Trace Quality and Recommendation Effectiveness
作者：Gustavo Penha、Juan Elenter、Claudia Hauff 等；Spotify。8 月 24 日，新提交；RecSys 2026 workshop 论文。
在三个 Amazon 域和统一 Qwen3-1.7B 上，作者控制比较 Title/SID 与轻量/深度 SID 对齐。显式生成自然语言推理会改善可读性，却在标准 SFT、RL 下损害离线推荐；更多 SID 对齐也没有自动转化为更高推荐效果，只有更丰富的奖励能部分修复。
变化与价值：这是对“增加 CoT 就会改善生成式推荐”的重要负结果。规模限于小模型和离线数据，未公开代码。
4. DuELRec：双专家抑制跨域推荐中的负迁移
A Dual-Expert Strategy Integrating LLMs to Mitigate Negative Transfer in Cross-Domain Sequential Recommendation
作者：Hyeongjun Yun、Kihyuk Song、Jaegul Choo、Chung Park。8 月 24 日，新提交；CIKM 2026 论文。
一个专家只关注同域历史，另一个读取全部跨域历史；门控动态融合二者。Item-aware attention 将文本子 token 聚合到物品级，双池对比学习再补入单域和跨域协同信号，在十个域上超过 26 种方法。
为什么重要：它把“哪些历史可共享”变成可学习决策，而非默认全部混合。无公开代码和线上实验。
5. CRRN：显式建模触发商品与目标商品的相关性
Cascading Relevance-driven Recommendation Network for CTR Prediction in Trigger-Introduced Recommendation
作者：Kaixuan Chen、Wenwen Wang、Xing Fang 等。8 月 24 日，新提交、工业预印本；代码链接见论文页。
CRRN 用个性化门控建模 trigger-target 交互，以级联注意力融合即时意图和长期兴趣，并加入类别辅助 pairwise loss。相较只依赖点击标签的 TIR 模型，它显式约束“推荐结果为什么与当前点击相关”，并报告公开、工业数据及线上 A/B 收益。
证据限制：摘要未披露线上增幅和置信区间。
6. SAHC-NS：按用户候选池动态校准困难负例
SAHC-NS: Structure-Aware and Hardness-Calibrated Negative Sampling for Implicit Collaborative Filtering
作者：Jiayi Wu、Zhengyu Wu、Xunkai Li 等。8 月 24 日更新为 v2、预印本。
方法不只看最终 user-item 分数，而用各图聚合层匹配分数的均值和方差刻画整体相关性及结构差异；随后根据每个用户候选池的实际难度调整负例增强强度。相较固定规则采样，它避免所有用户共享同一困难度。
证据限制：无公开代码、无线上实验；arXiv 未提供 v2 changelog，无法确认本次更新的具体增量。
7. TCA：为生成式 DocID 的不同 token 分配不同信用
Token-Level Credit Assignment Optimization for Generative Document Retrieval
作者：Xinpeng Zhao、Yang Liu、Ran Chen 等。8 月 24 日更新为 v2；CIKM 2026 论文。
TCA 将生成 DocID 的隐藏状态轨迹与冻结参考模型的 gold 轨迹比较，为不同解码位置构造细粒度奖励；该信用模块可分别接 GRPO 或 PPO。相较把最终文档相关性平均广播到全部 SID token，它能区分哪个前缀或细粒度 token 导致路径偏离。
证据限制：无公开代码及线上结果；v2 无 changelog，实质修订范围不明。
8. TimeRoute：按用户时间状态动态分配多模态权重
TimeRoute: Time-Aware Modality Routing and Diffusion for Multi-Modal Recommendation
作者：Pengyu Zhang、Yangqin Jiang、Klim Zaporojets 等。8 月 24 日更新为 v2、预印本；匿名代码。
用户时间画像控制文本、图像、音频的个性化融合比例，并通过 FiLM 同时调制长期和短期扩散去噪分支。十次随机种子的实验最高提升 9.8%，且随机时间输入没有收益，说明提升不只是参数增加。
证据限制：仅有离线 TikTok/Amazon 数据；v2 没有公开修改说明。
9. BAR：让广告召回感知实时出价
Bidding-Aware Retrieval for Multi-Stage Consistency in Online Advertising
作者：Bin Liu、Yunfei Liu、Ziru Xu 等；阿里巴巴。8 月 22 日更新、进入本批公告，v2；CIKM 2026 工业论文。
BAR 用单调约束和多任务蒸馏把 bid 纳入召回表征，通过异步 near-line 推理刷新广告 embedding，并用任务注意力拆分兴趣和商业价值。阿里展示广告全量部署报告平台收入 +4.32%、正向运营广告曝光 +22.2%。
证据限制：内部数据、出价系统及实验无法复现；v1 到 v2 没有 changelog，因此具体新增内容无法确认。
二、AI Agent、RAG 与长期记忆
10. 在工具执行前控制高风险工具曝光
Risk-Aware Reranking for Agentic Tool Retrieval
作者：Qinfei Li、Xiaoxuan Dong、Jin Zhang 等。8 月 24 日，新提交；CIKM 2026 论文；代码与数据。
框架分别估计查询相关性与工具暴露风险，再通过可调权重、ToolGraph 平滑和可选规则过滤重排。作者为 UltraTool、Seal-Tools 的 6,108 个工具标注五级风险，将安全边界从“工具调用之后”前移到候选召回阶段。
为什么重要：适合有权限差异、写操作和外部 API 的生产 Agent；不过风险标签和实际业务损失之间仍需重新校准。
11. Compaction Cliff：多轮压缩会快速遗失安全规则
The Compaction Cliff in Long-Running AI Agent Memory
作者：Saber Zerhoudi、Jelena Mitrović、Michael Granitzer；University of Passau、IT:U。8 月 24 日，新提交；CIKM 2026 论文；代码。
生产压缩提示在一次压缩后仅保留 53% 安全规则，五轮后仅剩 10%。Knowledge Triage 将约束、流程、事实、偏好和事件分别送入不同压缩、分解和检索策略，使五轮规则召回达到 96%。
变化与价值：不再把所有记忆当作同等可损压缩内容；代码和近 40 万条 Agent 配置语料已公开。
12. EARM：检索器也应记住过去的相关性判断
The Retriever Should Remember: Experience-Amortized Reranking for Long-Term Agent Memory
作者：Qi Feng、Chris Ding、Jicong Fan。8 月 24 日，新提交、预印本。
EARM 保存历史 query-memory 的稀疏 LLM relevance 分数，通过因果矩阵补全预测未评分候选，再把少量实时评分与估计分数组合。只直接调用 LLM 评分 17.5% 候选时仍有效，答案准确率相对语义检索最高提升 6.62%。
证据限制：目前只有对话记忆离线实验，未公开代码，也没有长期在线漂移分析。
13. 索引扩容可能造成“准确率看不见的答案漂移”
Same Agent, Different Answers: A Repeat-Aware Audit of Corpus-Induced Answer Churn in Retrieval-Augmented QA
作者：Jingjie Ning、Xueqi Li。8 月 24 日，新提交、预印本。
Snapshot Compatibility Audit 用跨索引版本的答案差异减去同一版本的随机生成差异，从而隔离真正由语料更新引起的 churn。FineWeb 索引从一片扩到七片后，语义额外漂移达到 10.25 个百分点，但准确率只变化 −1.5 个百分点。
为什么重要：提醒生产 RAG/召回系统：平均 Recall 或准确率稳定，不代表单用户结果兼容。实验预注册较好，但规模只有数百题，无代码。
14. LongWoF-Bench：经过验证的执行经验优于通用 Skill
LongWoF-Bench: Evaluating EvoMap Genes for Verifiable Long-Workflow Tasks
作者：Xiao Zhang、Qumeng Sun、Jihao Li 等。8 月 24 日，新提交、基准预印本。
EvoMap 将 verifier 确认成功的轨迹压缩成可复用 Gene；778 个可执行验证任务上，真实演化 Gene 比 Skill 高 8.7–15.5 个百分点，而仅从参考答案蒸馏的 Gene 没有相同收益。
变化与价值：关键不只是“结构化压缩”，而是经验必须来自实际成功执行。未发现公开代码或完整轨迹下载链接。
三、LLM 训练与在线推理系统
15. TailSieve：隔离拖慢整个训练批次的长尾 rollout
TailSieve: Partial-Rollout-Guided Tail Routing for LLM Rollouts
作者来自阿里 Qwen、CMU、浙大等。8 月 24 日，新提交、系统预印本。
利用历史 partial rollout 判断哪些 prompt 容易产生超长输出，动态划分 tail/bulk 副本并调整资源比例；尾部低并发池还能使用专门的 speculative decoding。单纯路由最高加速 1.67×，结合 MTP/DFlash 后最高 2.59×，同时重新生成被选样本以保持 on-policy。
证据限制：针对 RL/蒸馏 rollout 集群，不等同于普通在线请求；未公开代码。
16. 用结构化后缀加速扩散语言模型
Accelerating Diffusion Language Models via Structured Suffix Modeling
作者：Zifeng Cheng、Keda Li、Zhiwei Jiang 等。8 月 24 日，新提交、预印本；代码。
将待去噪后缀划分为 local、middle、tail 三段，以不同密度保留 token，并把上一步解码状态带入当前步，避免每次重新初始化全部后缀。方法无需训练，可与并行解码和 KV cache 叠加；长序列组合设置报告最高 72.81× 加速。
证据限制：最高数字来自多种加速技术叠加，不能视为该组件的独立端到端收益。
今天最值得精读的 3 篇
1. Semantic Subword Tokenization
它直接针对“历史侧 SID 展开消耗浅层 Encoder 容量”，比继续扩大码本或盲目增加 Encoder 层更贴近当前瓶颈。
实验建议：保持目标仍为 (c1,c2)，只在历史侧将高支持度、低条件熵的 (c1,c2) 合并成单 token，低频 pair 保持两 token。比较固定 SID、仅合并、合并+BCA 三组的 Recall、unique coverage、历史 token 数、同物品 attention 占比和 T4 延迟。
2. Retrieval Needs Multivectors
你的主播 embedding 有效秩很低，论文提示单向量可能无法同时表达语义、协同、时间和视觉意图，增加 codebook 容量也未必能解决。
实验建议：先不重建 SID，令用户塔输出两个兴趣向量——近期/长期，主播保留协同/封面两个向量；使用 max 或轻量门控的 late interaction 合并四个相似度。若 Recall 和尾部覆盖明显提升，再分别量化各子空间。
3. SAHC-NS
它可以把“Encoder 从一层改两层”和“同前缀困难负例”合并成一个诊断实验。
实验建议：升级为两层 Encoder 后，为正主播采样同 c1、不同 c2 的候选；用两层 user-item 分数的均值衡量整体难度、层间差值衡量结构歧义，再按每个用户候选池的分位数动态调整同前缀负例比例。对比固定负例比例，重点观察 Recall、前缀内区分率、unique coverage 和训练稳定性。