论文页面 - RecGPT-V3 技术报告

来源：https://huggingface.co/papers/2607.15591
作者：

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

摘要

大型语言模型（LLM）正将推荐系统从匹配历史行为中的共现模式，转向推理驱动行为的意图。RecGPT-V1 通过在淘宝中以用户理解为核心开创了这一范式，RecGPT-V2 则通过协调多智能体推理将其规模化；两者均已部署到生产环境，并在用户体验和商业成果上持续带来增益。然而，大规模运行 RecGPT 暴露了三个挑战：(1) 无状态行为建模，每个请求需重新处理完整用户历史，浪费计算资源并丢弃先前的分析；(2) 标签到物品的信息瓶颈，自然语言标签在用户理解与物品落地之间形成了一个有损通道；(3) 低效的显式推理，冗长的思维链导致难以承受的延迟和计算开销。我们提出 RecGPT-V3，一个状态化、混合模态的推荐器，它利用自然语言进行开放世界知识的推理，并借助语义 ID（SID）实现具体的物品落地。记忆枢纽（Memory Hub）维护结构化的、持续演进的用户记忆，将长周期行为提炼为紧凑单元，将用户建模计算量削减 55.8%。混合模态基础模型（Hybrid-modal Foundation Model）使 LLM 能够联合推理文本标签和 SID，为物品空间打开一条高带宽通道。潜在意图推理（Latent Intent Reasoning）将冗长的推理过程内化为紧凑的可学习潜在词元，这些词元仍可解码为可读的解释，从而将输出词元成本降低 200 倍。部署在淘宝“猜你喜欢”信息流中的 RecGPT-V3 在大规模在线 A/B 测试中取得了持续增益：IPV +1.28%，CTR +1.00%，TC +1.97%，GMV +3.97%，同时端到端服务资源消耗降低了 52.4%。

查看 arXiv 页面（https://arxiv.org/abs/2607.15591）查看 PDF（https://arxiv.org/pdf/2607.15591）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2607.15591）

在您的智能体中获取此论文：

hf papers read 2607.15591

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型 0

无模型关联此论文

请在模型 README.md 中引用 arxiv.org/abs/2607.15591 以从此页面链接。

引用此论文的数据集 0

无数据集关联此论文

请在数据集 README.md 中引用 arxiv.org/abs/2607.15591 以从此页面链接。

引用此论文的 Space 0

无 Space 关联此论文

请在 Space README.md 中引用 arxiv.org/abs/2607.15591 以从此页面链接。

包含此论文的收藏集 0

无收藏集包含此论文

请将此论文添加到一个收藏集（https://huggingface.co/new-collection）中以从此页面链接。