腾讯TRS团队用HiGR在PCG内容推荐开展列表级生成式推荐实验

腾讯技术工程公众号发文介绍，TRS 团队提出列表级生成式推荐框架 HiGR，并部署到 PCG 内容推荐场景的 TGR 服务进行小流量 A/B 实验。针对传统级联推荐局部最优、误差累积与算力利用率低的问题，HiGR 把推荐从逐物料预测改为编码—规划—生成—对齐的一体化流程：用 CRQ-VAE 引入对比学习与全局量化约束生成语义 ID；先由粗粒度规划器产出列表意图蓝图，再由轻量生成器并行填充具体物料，分层解码降低推理耗时；最后用 ORPO 免参考模型做列表级偏好对齐，避免 DPO/GRPO 带来的显存与训练开销；推理侧配合 Flash Attention、KV Cache 与 Memory Beam 优化。文中报告：离线推荐质量相对 SOTA 提升超过 10%，综合推理速度提升 5 倍以上，线上小流量 A/B 中用户观看时长与消费深度显著增长。上述数字为团队自述，线上实验为小流量阶段，尚未披露全量上线时间、成本变化与长期稳定性数据，内容属厂商工程口径。