CARE 在离散 SID 的树上修建了更多桥梁，但 ContRec 提出一个更不客气的问题：
为什么生成式推荐一定要把商品压成离散 token？
Semantic ID 让 Transformer 能像生成文字一样生成商品，但量化会丢失细节，固定 codebook 也会制造碰撞、层级长度和词表容量之间的权衡。ContRec 选择另一条路线：在连续空间里生成偏好，再把结果映射回商品库。
30 秒看懂本文
- 旧方法的问题：离散量化把连续商品表示切成格子。相近商品可能被分开，不同商品也可能共享 code；更长 SID 提高表达力，却增加解码成本。
- ContRec 的答案：用非量化 tokenizer 保留连续表示，再用条件扩散模型从噪声逐步生成下一商品的偏好向量。
- 代价转移：它避开了 codebook，却把复杂度搬到多步去噪、向量检索与实时索引。没有免费午餐，只是厨房换了位置。
连续 Token 到底是什么
对攀岩鞋和防滑粉，离散 SID 可能是：
攀岩鞋 <sport><shoe><climb>
防滑粉 <sport><gear><climb>
这种表示清晰，但颜色、硬度、场景和价格等细节最终被压进有限 code。ContRec 的 tokenizer 不做 hard quantization，而是保留连续 embedding (e_i\in\mathbb{R}^d)。
用户历史也被编码为条件 (c_u)。模型的目标不再是预测若干 code，而是生成一个连续向量 (\hat e)，使它落在用户下一步可能喜欢的商品附近。
扩散模型怎样生成推荐
训练时，从目标商品向量 (e_0) 加噪得到 (e_t)：
[ e_t=\sqrt{\bar\alpha_t}e_0+\sqrt{1-\bar\alpha_t}\epsilon, \qquad \epsilon\sim\mathcal N(0,I). ]
去噪器接收 noisy item、时间步与用户条件：
[ \hat\epsilon_\theta=\epsilon_\theta(e_t,t,c_u), ]
并最小化噪声预测误差：
[ \mathcal L_{\text{diff}}
\mathbb E\left[\lVert \epsilon-\hat\epsilon_\theta\rVert_2^2\right]. ]
推理时从高斯噪声开始，多次反向去噪得到 (\hat e_0)，再通过近邻检索返回真实商品：
[ \hat i=\arg\max_{i\in\mathcal I}\operatorname{sim}(\hat e_0,e_i). ]
所以 ContRec 仍然不是“凭空创造商品”。它生成的是一个连续查询，最终答案仍受商品库约束。
LLM 在哪里
论文还利用 LLM 表达用户偏好，把自然语言层面的兴趣概括作为扩散条件之一。这个设计看起来很诱人：语言模型负责解释历史，扩散模型负责在连续商品空间落点。
但需要保持警惕。自然语言偏好描述可能只是辅助条件，并不自动成为忠实解释。要证明一句“用户正在转向室内攀岩”真正影响了向量，需要删除或替换这句条件，观察生成结果是否按预期移动。
实验应该怎样读
ContRec 在 LastFM、MovieLens-1M、Amazon Beauty 和 Games 等数据上与序列推荐、扩散推荐、LLM 推荐和 SID 模型比较，论文报告相对 TIGER 的平均提升，并分析扩散步骤、tokenizer 与语言条件。
有三个不能混淆的维度：
- 排名质量：HR、NDCG 是否提升；
- 生成成本：去噪步数、模型延迟与 GPU 吞吐；
- 检索成本：连续向量怎样在实时商品库中做近邻搜索。
减少推理步数可能降低质量，增加步数又可能让它输给一次自回归解码。真正的工业比较必须把模型生成与向量索引的总延迟放在一起。
它失败在哪里
连续空间没有非法 SID，但会产生“落在商品之间”的向量。最近邻映射可能返回语义相近却库存不可用、价格不合适或重复曝光的商品。
此外，扩散模型生成一个向量天然适合 next-item，却不直接解决整页商品的顺序、互补与去重。若分别采样多个向量，列表内部可能缺乏协调；若联合生成整页向量，维度与采样成本又会膨胀。
ContRec 最重要的意义不是宣布扩散击败 Transformer，而是证明：
Semantic ID 是一种工程接口，不是生成式推荐的逻辑定律。
下一篇 DualFashion 会把连续生成再往前推一步：模型不只生成“应该检索哪个商品”的向量，而是直接生成一件尚不存在的服装及其描述。