前四篇主要讨论商品怎样表示、怎样推理、怎样生成。GenRec 把镜头拉回真实 App：
用户下拉一次，系统需要的是一整页，而不是一个“下一商品”。
同一份历史可以对应很多合理页面。若训练数据把每个点击商品都当作唯一答案，模型会把正常的多解问题误学成互相冲突的标签。GenRec 因此把页面本身变成监督单位。
30 秒看懂本文
- 旧方法的问题：next-item 训练忽略列表内部的顺序、互补、重复与多样性；长历史展开成多 token SID 又会吞噬上下文与算力。
- GenRec 的答案：Page-wise Generation 一次预测整页商品；Token Merger 压缩历史 token；GRPO-SR 用页面级奖励对齐相关性、有效性和偏好。
- 最重要的证据：论文报告大规模线上部署与一个月 A/B 结果，说明生成式推荐已不只是公开数据集上的 next-item 实验。但私有数据、奖励模型和完整基线仍限制外部复核。
为什么 point-wise 监督会互相打架
假设用户打开运动页面，真实曝光与点击形成：
攀岩鞋 → 防滑粉 → 速干毛巾 → 泳帽
如果我们分别构造四个训练样本，相同历史会被要求“唯一正确地”预测四个目标。页面级监督则保留一个事实：这些商品共同组成一次展示，顺序与共现也携带策略信息。
页面生成可以写成：
[ p(S_u\mid H_u)
\prod_{j=1}^{|S_u|} p(i_j\mid H_u,i_{<j}), ]
其中 (S_u) 是完整页面。后一个商品显式依赖前面已经生成的商品，模型因此有机会学习去重、互补和整页节奏。
Token Merger 在压缩什么
若每个商品有多级 SID，数百次历史行为会膨胀成上千 token。GenRec 使用 Token Merger 将一件商品或一段局部历史的多个 token 汇聚为更紧凑的表示。
重要的是，压缩主要减少编码历史的长度，而页面输出仍需逐 token 解码。它缓解上下文与 attention 成本，却没有消除生成整页的解码负担。
这提醒我们读“token 减半”时要问：减的是 prompt、KV cache，还是最终输出步数？
为什么还需要强化学习
SFT 学习的是日志中“曾经出现过的页面”，不等于知道一个新页面是否好。GenRec 用 GRPO-SR 对多个候选页面做组内比较，奖励可以抽象为：
[ R(S)=R_{\text{valid}} + \mathbb 1[R_{\text{valid}}>0] \left( \alpha R_{\text{relevance}} +\beta R_{\text{preference}} +\gamma R_{\text{diversity}} \right). ]
Validity gate 很关键。如果页面含非法商品、重复过多或格式错误，模型不能靠其他高分项把坏页面“平均成好页面”。这是一种防 reward hacking 的硬门槛。
不过奖励定义也把平台价值观写进模型。相关性、长尾曝光、成交和用户满意度的权重不同，会生成完全不同的页面。
线上结果应该怎样读
论文报告点击、成交与长尾商品等线上增益，并称模型完成部署。工业证据的价值很高，但不能把所有提升都归因于某一个模块。
一个完整系统通常同时改变：
- 训练样本与页面定义；
- tokenizer 与多模态特征；
- 模型规模；
- RL 奖励；
- beam、缓存和过滤；
- 流量策略与候选库存。
因此最可信的阅读方式，是区分整体方案 A/B 与模块消融。前者证明“整套系统能工作”，后者才帮助判断哪个想法可迁移。
它失败在哪里
页面生成仍面临三个硬问题：
- 多样答案：日志只记录一个曝光页面，无法说明其他页面是坏答案；
- 反馈偏差：点击来自旧策略曝光，模型可能继承并放大旧策略；
- 解码约束：库存、去重、合规和实时状态必须在生成中或生成后强制处理。
GenRec 证明页面级生成已经进入生产，但它仍主要服务内容推荐。广告系统还多出预算、出价、预估收入和竞争机制。
下一篇 GR4AD 会把生成模型送进广告主链路，那里每个 token 都可能直接改变收入。