从研究HSTU、Tiger，到拆解OneRec，再到我所在团队与人大高瓴学院合作，提出并全流量落地OnePiece范式——2025年，我顺利走过了从学习者到躬身入局实践者的完整跨越。

继生成式框架OnePiece发布之后，我又带领我的团队陆续提出Mancar、Resid等生成式框架，我也收到了各大平台，潮水般的咨询，这让我真切感受到大家的迷茫————

论文满天飞，概念很酷，到底谁能真正落地？

团队在实际工作中又该如何切入？

生成式推荐是未来还是幻影？和传统推荐的根本区别在哪？

“越大越好”在推荐场景行得通吗？如何平衡效果与延迟、成本？

面对眼花缭乱的论文，哪条路线能真正落地？背后架构是什么？

知识体系如何重构，才能不掉队、甚至引领变革？

......

说实话，市面上讲生成式推荐的内容不少，但真正从0到1跑通过、踩过坑、还亲手把模型推到线上的，没几个人。如果你也在思考生成式推荐到底该怎么落地，那么接下来我要讲的这些，可能会帮你省下至少半年的弯路。

我有幸走过这条路，所以想把那些踩过的坑、走过的弯路、以及最终沉淀下来的经验，全部拿出来讲透。

这次，我想把截至目前为止，自己原创的三个生成式推荐核心模型——OnePiece、Mancar、Resid——从0到1的思考过程、毫无保留地分享给你。

我会带你回溯每个模型从0到1的完整思考路径：遇到什么问题？为什么选这条路？踩过哪些坑？如何落地验证？这不仅是模型解读，更是一次原创思维复盘，帮你建立属于自己的一套创新能力！

这是我带领我的团队与人大高瓴学院合作提出的业内首个融合上下文工程、隐式推理和多目标训练的生成式搜推框架。

多数生成式推荐还在做next item预测（对标GPT1~3），而OnePiece要补全的，是上下文工程、推理和有效训练策略这几块通往GPT4o级别的关键拼图。

这是我带领我的团队和厦门大学提出的业内首个动态自适应推理。

用户行为往往跨越图文、视频、商品等多种形态。

Mancar探索如何让模型具备跨模态的理解与生成能力，让生成式推荐真正适应复杂场景。

这是我带领我的团队和中南大学提出的业内首个不依赖大模型的语义ID生成式推荐算法。

语义ID是当前工业落地的主流路线，但ID的学习效率、压缩率和推理速度直接决定方案能否上线。

Resid正是为解决这一核心工程难题而生。

更实在的是，在课程结尾，我将针对目前生成式领域两大前沿方向：

1. 基于隐式推理的生成式推荐

2. 基于语义ID的生成式推荐

以我们团队最新的论文进展为例，进行代码演示。帮助大家更好地理解两种前沿模式如何落实到代码实现层面，加速idea向落地场景的转化。让你看到“推理”如何被编码进推荐模型，将LLM的思考能力迁移到推荐场景。

课程上线之后短短一个月时间，已经有将近1000位小伙伴和我一起走进了生成式推荐的世界，我们构建的核心学习群里也有了100多位并肩作战的战友。

我能真切地感受到一个共识正在形成：生成式推荐不是“可选项”，而是“必选项”。它解决的不仅是“更好一点”的问题，而是传统架构“能否持续”的问题。

未来，成本结构、用户体验、业务想象力，都将在新范式下被重构！

我期待在课程中，用我所有的经验与思考，与你交流，为你铺路。让我们一起，把焦虑变成蓝图，把趋势落成代码。

祝你学习愉快，我们课程见！

? http://gk.link/a/12GEz