小红书精读：TGR: Advancing Industrial Recommendation from Generative-Paradigm Ranking toward Unified Generation and Reasoning

推荐还在级联？TGR直接生成整个列表

各位算法同学们，你有没有发现：精排模型加了更多交叉特征，业务指标却越涨越慢了？腾讯这篇 TGR 把工业推荐从级联架构直接推向生成式范式，排序、召回、推理三个方向一起动刀，不是单点模型的小修补。

📄 TGR: Advancing Industrial Recommendation from Generative-Paradigm Ranking toward Unified Generation and Reasoning

🔧 排序侧先改成生成式范式：CCFormer 将特征统一 token 化后丢给 Transformer 主干，用特征域分离的交叉注意力和子空间 token mixing 控制计算量，再用层次序列压缩处理长行为序列；同时保留 per-item 多任务输出，线上可以直接替换旧精排模型。 🧩 召回侧给了两种生成路线：BARGE 针对层级语义 ID 生成时丢失 item 边界和前缀错误导致语义漂移的问题，补了 item context-aware attention、层次路径重排序和正交双路解码；HiGR 则直接做 next-slate generation，由粗到细地生成整页推荐，优化目标从点级变成 listwise。 🔮 推理成本被“预支付”：TGR-Reason 训练了一个 Think 模型，离线生成带层级语义 ID 的推理 token，线上解码只把这些 token 当条件拼进去，相当于用离线算力换在线推理能力。

📊 CCFormer 在视频推荐和广告排序两个已全量场景分别带来 CTR +3.57% 和广告收入 +1.71%，同时在 4B 样本生产数据上比 HSTU 训练快 2.21 倍、GFLOPs 只有大约一半。 📈 BARGE 在两个工业场景把 Hit@5 提升 10.2%–16.9%，全量后 CTR +0.60%、总阅读时长 +1.70%，成为该平台 CTR 最高的检索通道。 ✅ HiGR 对比同容量 OneRec，离线 slate 质量提升 15.9%–21.3%，但推理速度还快 5 倍，P99 延迟低于 50ms；线上观看时长最多 +1.22%，视频观看量最多 +1.73%。 🎯 TGR-Reason 冷启新用户 Hit@1 提升 477.8%，线上有效消费 +1.75%，新用户曝光到转化 +13.09%。

这套方案把排序、端到端生成和 LLM 推理统一在一个框架里，并且都在真实工业流量上验证过，想给团队找路线图的可以直接借它的模块划分。落地最大的坑在语义 ID 的设计与维护，BARGE/HiGR 的大量工作都花在消前缀错误和路径重排上，不要指望不用调。建议先盯冷启动和列表级指标，它们最能量出生成式范式相对级联结构的增量。

原文：AlphaXiv