提出SMTPO框架，结合多任务微调与强化学习优化多轮偏好，提升LLM推荐性能。
Xingyuan Xiang, Xiangchen Pan, Wei Wei
多代理视频推荐系统结合LLM，提升推荐精度和解释性。
Srivaths Ranganathan, Abhishek Dharmaratnakar, Anushree Sinha 等
UniMixer提出统一推荐模型缩放架构，通过参数化TokenMixer提升效率，结合注意力、TokenMixer和FM优势。
Mingming Ha, Guanchen Wang, Linxun Chen 等
提出自主演化的代理系统（AgenticRS），通过强化学习和大模型生成实现推荐模块的自我优化。
Jinxin Hu, Hao Deng, Lingyu Mu 等
AutoModel采用三核心智能代理（AutoTrain、AutoFeature、AutoPerf）实现推荐系统全生命周期自动化，显著降低人工成本。
Hao Zhang, Jinxin Hu, Hao Deng 等
UniScale结合数据扩展与模型架构优化，提升搜索排名性能。
Liren Yu, Caiyuan Li, Feiyi Dong 等
提出SIDReasoner，通过增强SID与语言对齐提升生成推荐中的推理能力，显著改善多数据集表现。
Yingzhi He, Yan Sun, Junfei Tan 等
通过BERT Score和专家评估，研究ChatGPT-4o、GeminiAI和Perplexity AI在生成泰卢固语孕产健康问答中的表现，Gemini表现最佳。
Anagani Bhanusree, Sai Divya Vissamsetty, K VenkataKrishna Rao 等
NanoVDR通过蒸馏2B视觉语言检索器为视觉文档检索提供了一个70M的文本编码器，保留了95.1%的教师质量。
Zhuchenyang Liu, Yao Zhang, Yu Xiao
提出EISAM优化框架，显著提升长尾项目推荐性能。
Jiaming Zhang, Yuyuan Li, Xiaohua Feng 等
AnchorRec通过锚点对齐防止多模态推荐系统中的位置崩溃，提升推荐准确率。
Yonghun Jeong, David Yoon Suk Kang, Yeon-Chang Lee
FGTR通过层次化LLM推理实现细粒度多表检索，在Spider和BIRD数据集上分别提升F_2指标18%和21%。
Chaojie Sun, Bin Cao, Tiantian Li 等
VLM4Rec通过大规模视觉语言模型实现多模态推荐的语义表示，提升推荐性能。
Ty Valencia, Burak Barlas, Varun Singhal 等
InterDeepResearch通过交互式深度研究实现人机协作的信息检索，提升研究过程的可观察性和实时可控性。
Bo Pan, Lunke Pan, Yitao Zhou 等
FedShare框架通过个性化数据共享和对已共享数据的反向学习，提升推荐系统性能。
Liang Qu, Jianxin Li, Wei Yuan 等
OneRec-V2通过FP8量化推理实现49%延迟减少和92%吞吐量提升。
Yi Su, Xinchen Luo, Hongtao Cheng 等
研究表明，使用LLM生成的伪相关反馈文本能显著提高查询效果，尤其在低资源任务中。
Nour Jedidi, Jimmy Lin
使用结构化链接数据作为记忆层，提升RAG系统的检索准确性，标准RAG提高29.6%，agentic管线提高29.8%。
Andrea Volpini, Elie Raad, Beatrice Gamba 等
提出SORT，结合局部注意力和生成预训练，显著提升工业推荐模型性能。
Chunqi Wang, Bingchao Wu, Taotian Pang 等
STATIC将Trie矢量化，TPU/GPU上每步仅0.033 ms，显著加速受限生成检索。
Zhengyang Su, Isay Katsman, Yueqi Wang 等