绵满の博客

摘要： 同济 + 上海 AI Lab + 港中文 + 南大 + 上交的工作，目前挂在 Arxiv 26.03 上。当前多智能体系统（MAS）的记忆设计普遍存在两个瓶颈：记忆同质化（缺乏角色感知的定制）和信息过载（记忆条目过于细碎冗长）。本文提出 LatentMem，一个可学习的隐空间多智能体记忆框架：用一个 阅读全文

摘要： LV-NUS Lab + 复旦 + 北大 + 字节的工作，目前挂在 Arxiv 26.06 上。当前的自进化 Agent 都把记忆当成自进化的定义，但存下经验 ≠ 学会怎么从经验里进化。本文提出 OPD-Evolver，一个慢-快协同进化框架：快环里 Agent 与四级记忆层级交互做 test-ti 阅读全文

摘要： OPPO AI Agent Team 与 LV-NUS lab 的工作，发表于 ICML 2026。当前的自进化记忆系统都停留在用固定的记忆架构去积累经验这一层，本文提出 MemEvolve，一个同时进化「经验知识」与「记忆架构本身」的元进化框架，让 Agent 不仅能积累经验，还能不断改进它是怎么 阅读全文

摘要： 一篇 LLM Agent 多用户协作记忆管理工作，目前挂在 Arxiv 25.05 上，针对多用户、多 Agent 场景下信息不对称和动态权限问题，提出了 Collaborative Memory 框架 背景 现有的 LLM Agent 记忆系统（如 MemGPT、MemTree、GraphRAG） 阅读全文

摘要： 快手的 MLE Agent 优化工作，目前挂在 Arxiv 26.07 上，提出了一种将 Bandit 算法与 LLM 智能体相结合的推荐模型自动化优化框架 RecHarness 背景 推荐系统优化天然适合 MLE Agent，但直接应用通用 MLE Agent 存在一个关键的系统挑战：每个候选修改 阅读全文

摘要： 快手发布的一篇技术报告 AgentX，提出了一个可以自我迭代的 MAS 把工业推荐的 idea-to-launch 闭环整体自动化，推荐领域的 Loop Engineering 背景 工业推荐系统的算法迭代长期依赖算法工程师的持续介入。一次完整的算法迭代通常需要经历数据分析、特征工程、模型开发、在线 阅读全文

摘要： 背景 用户终身行为建模（ULBM） 是指在严格的工业效率约束下，对超长且异构的用户行为序列进行建模的问题。在真实工业推荐系统中，用户终身行为序列呈现两个显著特征： 超长序列（Ultra-long Sequences）：在快手等大型视频平台上，用户每天可能产生数百次交互，终身行为序列长度可达 10⁵ 阅读全文

摘要： LLMA-Mem 目前挂在 Arxiv 26.04 上，探讨了 LLM 多智能体系统中 "横向扩展团队规模" 与 "纵向积累时间经验" 两种扩展维度之间的交互关系，提出通过记忆设计实现更高效的终身学习 背景 LLM 多智能体系统（Multi-Agent Systems, MAS）可以通过两个不同维度 阅读全文

摘要： MetaGPT 发表于 ICLR 2024(Oral)，首次将标准化操作流程（SOP）引入多智能体系统，实现了多智能体系统解决复杂任务的能力 背景 当前基于 LLM 的多智能体系统已经能够解决简单对话任务，但在处理复杂任务（如软件开发）时面临严峻挑战。现在的问题是简单的串联 LLMs 容易导致 "级 阅读全文

摘要： 腾讯推荐模型 Scaling 的工作 TokenFormer，目前挂在 Arxiv 26.04 上，主要提出了顺序坍塌传播（SCP）问题，挑战和动机很有亮点但是模型架构方面感觉不够有说服力，很难评的是没有 A/B 实验... 背景 对于序列建模和特征交叉，尽管最近的工作如 InterFormer、O 阅读全文

摘要： 背景 在工业推荐系统中，特征通常被表示为高维稀疏的 One-Hot 向量，随后通过嵌入层映射为稠密向量。这种“参数化查表”的方式面临两个核心矛盾： 嵌入表的内存爆炸：随着物品和用户规模激增，完整的嵌入表（Embedding Table）会占用数百 GB 甚至 TB 级显存，远超单机容量，迫使系统采用 阅读全文

摘要： 美团推荐模型 Scaling 的工作 SIF，目前挂在 Arxiv 26.04 上，提出了将历史序列 token 从 item-level 升级到 sample-level 的新思路，实现了更强的信息利用和模型效果 背景 推荐系统精排模型的 Scaling 主要分为两种（这两种不是分开独立的，后者是 阅读全文

摘要： 字节跳动推荐模型 Scaling 的工作 Mixformer（和 HyFormer 算是同期工作吧），目前挂在 Arxiv 26.02 上，也是提出了一个新的架构实现更好的统一 Scaling 背景 现有序列建模和特征交叉的工作主要分为分离式和统一式，分离式的设计限制了双向信息流和延迟优化，统一式的 阅读全文

摘要： 字节跳动推荐模型 Scaling 的工作 HyFormer，发表于 SIGIR 2026，设计全新的针对性优化架构同时完成序列建模和特征交叉，而不是直接将 Transformer 拿来用，实现了更好的优化和 Scaling 背景 传统推荐精排模型有两个非常重要的子模块，序列建模和特征交叉，这两个子模 阅读全文

摘要： 字节跳动推荐模型 Scaling 的工作 OneTrans，发表于 WWW 2026，用一个统一的 Transformer Backbone 完成序列建模和特征交互的开创性工作，支持了统一的 Ranking LLM 优化和 Scaling 背景 工业推荐系统的排序模型，长期以来沿用一种固定的两阶段范 阅读全文