media MarkTechPost · há 1 h · releases

Yandex substitui cascata de recomendação com mais de 15 estágios por um único modelo generativo Sona

Traduzido do English → Português (BR)

A Yandex apresentou o Sona, um modelo de IA generativa que consolida a geração e a classificação de candidatos em um único sistema, substituindo as tradicionais cascatas de recomendação multiestágio. A empresa testou essa arquitetura em um experimento ao vivo de sete dias na produção de seus alto-falantes inteligentes.

Substituiu mais de 15 geradores de candidatos, estágios de pré-classificação e classificação por um único transformer servido.
Elimina a engenharia manual de recursos ao usar apenas campos de eventos registrados e Semantic IDs aprendidos.
Utiliza um Teacher Ranker congelado de 0,6B parâmetros para destilação durante o treinamento, que é removido no momento da inferência.
Alcançou +4,53% de Usuários Ativos, +6,30% de Tempo Total de Escuta e +11,42% de Curtidas em testes A/B online.
Superou o sistema Argus anterior com 2,35x o aumento em Usuários Ativos.

O modelo demonstra que um recomendador generativo único pode substituir efetivamente cascatas complexas enquanto melhora as métricas de engajamento do usuário.

Importância 2/3 MarkTechPost Research paper Retrieval & RAG

Artigos relacionados

arxiv arXiv cs.AI · há 6 d · 22 visualizações

RareDx usa otimização de política baseada em grafos para melhorar o diagnóstico de doenças raras

Os autores apresentam o RareDx, um sistema que acopla o uso controlado de evidências com otimização de política fundamentada em grafos de conhecimento para abordar o problema de raciocínio de cauda longa no diagnóstico de doenças raras. O pipeline de treinamento combina Top-10 pós-treinamento com RareDx-KGPO, que projeta previsões em um grafo canônico de doenças e integra relevância graduada curada, proximidade ontológica, similaridade biomédica e consistência fenotípica.

arxiv arXiv cs.AI · há 7 d · 43 visualizações

Highlight-Then-Summarize comprime evidências para melhorar a compreensão de contexto longo

Pesquisadores propõem o Highlight-Then-Summarize (H2S), um paradigma de compressão seguida de raciocínio que identifica evidências relevantes à pergunta e as integra em um resumo compacto antes de gerar uma resposta. A equipe constrói o H2S-Dataset com 6.647 exemplos e introduz o H2S-RL para fornecer recompensas em nível de processo para a seleção de evidências.

arxiv arXiv cs.CL · há 7 d · 28 visualizações

Highlight-Then-Summarize comprime evidências para melhor compreensão de contexto longo

Pesquisadores propõem o Highlight-Then-Summarize (H2S), um paradigma de compressão-então-raciocínio que identifica evidências relevantes à pergunta e as integra em um resumo compacto antes de gerar uma resposta. Para apoiar essa abordagem, a equipe construiu o H2S-Dataset com 6.647 exemplos de 11 famílias de benchmarks e introduziu o H2S-RL para recompensas em nível de processo.

media Hugging Face Forums · há 8 d · 26 visualizações

Modelos JEPA biológicos usam restrições biológicas para modelar a progressão de doenças

Um novo projeto de código aberto chamado Biological JEJA combina aprendizado de representação no estilo JEPA com restrições biológicas para modelar como as doenças progridem ao longo do tempo. A abordagem foi testada em dados reais do ADNI de 2.347 pacientes e comparada a vários outros modelos.

arxiv arXiv cs.CL · há 11 d · 23 visualizações

R3Con aplica princípios de realização de relevância para melhorar o raciocínio em larga escala

Pesquisadores propõem o R3Con, uma estrutura que operacionaliza princípios da teoria cognitiva para construir representações eficazes de contextos muito grandes. O sistema aborda o desafio de montar informações interdependentes espalhadas por fontes vastas além dos limites padrão de contexto do modelo.