SIGIR 2026 שלושה כיוונים שונים למודל אחד שמנסה להחליף קסקדה שלמה

הכנס במלבורן חשף שוב את הפער בין המעבדה לפס הייצור: חוקרים עדיין דוחפים generative retrieval כמחליף מלא, אבל התעשייה ממשיכה להסתמך על rankers קלאסיים שפותחו לפני עשור. ByteDance הציגה את HyFormer, ארכיטקטורת CTR שממזגת היסטוריית משתמש ו-hand-crafted features דרך Global Tokens שעוברים שני שלבים בכל בלוק, Query Decoding ב-cross-attention ל-layer-wise K/V של ההיסטוריה, ואז Query Boosting ב-MLP-Mixer קל עם פרופיל, הקשר ומועמד. בניגוד ל-LONGER + RankMixer שמחברים את הזרמים רק אחרי דחיסה, או MTGR ו-OneTrans שמפעילים self-attention משותף ויקר, HyFormer שומר על הפרדה סדרתית ומשתמש במספר קטן של טוקנים גלובליים לאורך כל עומק המודל.

GenRec: חיזוי ברמת עמוד שלם

JD.com הגישה שתי עבודות נפרדות: GenRec מטפלת בדף הבית של האפליקציה עם decoder-only שמייצר Semantic IDs ישר מהקטלוג המלא, ומחליפה Point-wise NTP ב-Page-wise NTP שחוזה בבת אחת הזמנות, קליקים וחשיפות של עמוד שלם, פותרת את ריבוי הטרגטים לאותו קונטקסט ומייצרת אות אימון צפוף יותר. Token Merger מאחד את טוקני ה-Semantic ID לווקטור יחיד ומקצר את ההיסטוריה בכחצי, ו-GRPO מקבל רגולריזציית NLL שמונעת מהגנרטור לברוח מאינטראקציות אמיתיות.

OxygenREC: ארבעה תרחישים בזיכרון משותף

OxygenREC מרחיבה את אותו רעיון לארבעה תרחישים, דף בית, דפי מוצר, עגלה וצ׳קאאוט, באמצעות Fast-Slow Thinking: מודל near-line מייצר Contextual Reasoning Instructions שנשמרים בזיכרון, ו-Query-to-Item loss מקרב את ייצוגי ההנחיות לפריטים המטרה באימון. בזמן אינפרנס ההנחיות מסננות אירועים רלוונטיים מהיסטוריה ארוכה, ו-MCTS לכל תרחיש חוקר רצפי Semantic IDs בנפרד לפני ש-Joint Pareto Optimization מאזן את ה-policy המשותפת בין היעדים המתחרים. שלוש העבודות פורסמו באותו מושב בלי שאף אחת מהן ציינה מדד אופליין משותף שמאפשר השוואה ישירה.