Генеративната препоръка се очертава като обещаваща посока в системите за препоръки, управлявани от изкуствен интелект, преминавайки от традиционните модели за оценяване към подходи за многоетапно разсъждение. Въпреки това, критичен въпрос остава без отговор: когато един модел извършва латентни разсъждения в контекста на препоръките, дали той наистина разсъждава относно интересите на потребителите или просто извършва по-дълбоки трансформации на функции?
Обръщайки се към това предизвикателство, екипът на Фу Конг, в сътрудничество с университета Ксиамен, предложи ManCAR (ограничено от колектора адаптивно разсъждение), нова рамка, която въвежда структурирани ограничения за разсъждение в генеративни системи за препоръки. Приета на KDD 2026, рамката постига до 46,88% подобрение в NDCG@10, според статията на изследователския екип, публикувана в InfoQ.
Основната иновация на ManCAR се крие в предефинирането на многоетапното разсъждение като структуриран път за навигация в многообразието от потребителско съвместно поведение, а не неограничена итерация в латентно състояние. Настоящите методи за латентно разсъждение – включително подходи като ReaRec, LaRES и PLR – многократно прецизират скритите състояния чрез цикли със споделени параметри, но техните междинни състояния нямат геометрична структура или семантични ограничения. Това означава, че те функционират повече като по-дълбоки изчислителни графики, отколкото истински процеси на разсъждение.
ManCAR въвежда многообразно ограничение, което насочва процеса на разсъждение по непрекъснат път от задействанията на последното поведение на потребителя до техния целеви регион на интереси. Вместо да извършва изрично търсене на пътя върху графики елемент-елемент, което би било непосилно от изчислителна гледна точка, рамката научава локален колектор, който изглажда пространството на дискретния път. След това процесът на разсъждение автоматично намира непрекъснати пътища през този колектор към целевата област на интерес, решавайки проблема с латентния дрейф, присъщ на предишните подходи.
Рамката постига това чрез внимателно проектирана функция за загуби на процес, която създава енергиен басейн между последното историческо състояние на потребителя и неговия целеви регион на интерес. Моделът е обучен да предсказва разпределението на потребителския интерес, обусловено от структурата на графиката и задействащите елементи, като междинните състояния на разсъждение са изрично дефинирани и контролирани, вместо да остават скрити в скрити състояния на черна кутия.
Практическото значение на ManCAR се простира отвъд неговите еталонни показатели. Документът предоставя една от първите теоретично обосновани рамки за смислени насоки на процеса на разсъждение в системи за препоръки и предлага проверим план за внедряване на закони за мащабиране на времето за тестване в тази област. Работата бързо придоби популярност, класирайки се на второ място в Hugging Face Daily Paper и привличайки широка дискусия от технически влиятелни лица в платформите X и YouTube. Екипът е отворил рамката, за да даде възможност за по-широко изследване и промишлено приемане.