ИССЛЕДОВАНИЕ · RESEARCH · #2193
FINDERS: маршрутизация состояний диффузии для сценарно-адаптивных кодировщиков пользователей
Статья на arXiv (arXiv:2610.22400v1) предлагает FINDERS — фреймворк с маршрутизатором, который использует модели диффузии языка (dLLM) как пространство восстановления на нескольких уровнях для представления пользователей. FINDERS выполняет четыре операции — denoise, factorize, route и compress, применяет обучаемые «мета-слоты» и сценарно-ориентированный маршрутизатор, обучается на новом корпусе BehaviorQA; авторы сообщают о расширенных экспериментах и онлайн A/B-тестах в десяти промышленных сценариях, где FINDERS превосходит предыдущие методы.
КЛЮЧЕВЫЕ ТЕЗИСЫ
- Статья на arXiv (arXiv:2610.22400v1) предлагает FINDERS — фреймворк с маршрутизатором, который использует модели диффузии языка (dLLM) как пространство восстановления на нескольких уровнях для представления пользователей.
- FINDERS выполняет четыре операции — denoise, factorize, route и compress, применяет обучаемые «мета-слоты» и сценарно-ориентированный маршрутизатор, обучается на новом корпусе BehaviorQA; авторы сообщают о расширенных экспериментах и онлайн A/B-тестах в десяти промышленных сценариях, где FINDERS превосходит предыдущие методы.
- FINDERS позволяет получать сценарно-ориентированные, многоуровневые представления пользователей на базе диффузионных LLM, что может повысить качество кросс-модальной персонализации и адаптивность кодировщиков пользователей.
ПОЧЕМУ ЭТО ВАЖНО
FINDERS позволяет получать сценарно-ориентированные, многоуровневые представления пользователей на базе диффузионных LLM, что может повысить качество кросс-модальной персонализации и адаптивность кодировщиков пользователей.