生成式推荐是什么？从 TIGER 到 OneRec 的范式转移

推荐系统正经历十年来最大的范式讨论：还要不要"召回→粗排→精排→重排"这套流水线？生成式推荐（Generative Recommendation）主张用一个大模型直接生成推荐结果，像 LLM 生成文本一样。

传统流水线的痛点

四级漏斗各自为政：召回顾多样性、精排顾准确率，目标不一致导致全局最优不可达；每级都要独立维护特征和模型，迭代成本高。

生成式推荐的三步棋

1. 物品语义化（TIGER 路线）
给每个物品生成语义 ID（通常用 RQ-VAE 之类把内容向量量化成编码序列），推荐问题就变成"生成下一个 item 的 ID 序列"——和语言建模完全同构。

2. 端到端大模型（OneRec 路线）
快手 OneRec 等工作干脆用一个端到端模型接管全链路：输入用户行为序列，直接生成候选与排序，配合偏好对齐（类 RLHF）优化多目标。

3. 与 scaling 结合
模型加大、数据加长，推荐效果随规模提升——推荐也吃上了 Scaling Law（同期判别式路线的 RankMixer 证明了同样的事，两条路线在赛跑）。

落地的现实约束

• 推理成本：在线生成比查表打分贵几个数量级，蒸馏、缓存、KV 复用是主攻方向；
• 实时性：用户行为秒级变化，生成式模型的更新链路还在演进；
• 现阶段真相：大厂多是"混合制"——生成式负责增量场景和创意生成，传统流水线仍是主骨架。

求职视角

推荐方向面试现在几乎必问"你怎么看生成式推荐"。答题骨架：动机（全局最优 + 统一架构）→ 代表工作（TIGER 语义 ID、OneRec 端到端）→ 挑战（算力、实时性）→ 你的判断。前沿论文读不动就截图问 AI 逐段拆（工具免费 3 次），方向选择参考AI 方向对比。