小红书精读：X-Rec Technical Report

TikTok上线：3.46倍吞吐的生成式召回

各位算法同学们，双塔U2I把用户兴趣压成一个点，SID-AR又要逐token解码，吞吐被卡死——有没有一条路，既保留多峰分布又不用离散化？TikTok这篇X-Rec给了一个挺工程化的答案。

📄 X-Rec Technical Report

🔧 锚点条件生成：先预测目标embedding所属的簇（锚点），再以锚点为条件做细粒度生成，把从零生成item向量拆成“选大致语义区域+局部精修”，官方说这一项让Recall@20涨了2.05个百分点，还能通过调整锚点分布主动控制召回多样性。

🧩 黎曼流匹配：item embedding大多在余弦对比学习下训出来，本身就躺在球面上，所以生成轨迹直接沿球面测地线走，而不是在欧氏空间里强行把向量拽回球面，比rectified FM的Recall@20高1.78个绝对百分点。

⚙️ late-interaction DiT：速度场估计只在最后一层Transformer做，前面几层不做重复去噪。代价是Recall@20只掉1.05个百分点，生成吞吐却涨了约8.28倍，这个交换比在召回场景里算很划算。

📊 流式benchmark上明显超过U2I基线，召回质量和SID-AR打平，推理吞吐是SID-AR的3.46倍。

📈 已作为TikTok某垂直内容的新召回源上线，连续两次launch带来垂直互动+4.1484%。

✅ 大盘互动也有+0.0111%，别小看这个数，召回侧能撬动全站指标通常很难。

📉 消融里三项设计各自都有正收益，不是靠堆参数堆出来的。

总结：如果你在做大规模召回、又被SID-AR的解码延迟折磨，这篇值得细看，重点盯吞吐-Recall的权衡曲线，以及锚点数量和聚类更新频率怎么设。坑在于连续空间生成对ANN索引和线上一致性要求更高，离线Recall涨了不代表线上一定涨，最好先小流量验证锚点分布的可控性。

原文：AlphaXiv