腾讯提出 TGR-EvoDAG：基于 DAG 的多智能体代码进化框架用于生成式推荐
原文标题：TGR-EvoDAG: A DAG-based Multi-Agent Code Evolution Framework for Generative Recommendation on Tencent
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
腾讯在 arXiv 发布 TGR-EvoDAG，将代码进化建模为有向无环图，保留多条进化分支并合并互补创新，同时引入阶段感知成本规划与下游主动协同适配。该方法在 Amazon 公开数据集上首次实现完整生成式推荐流水线的自主进化，离线指标最高提升 37.4%，Agent4Rec 模拟用户满意度提升 19.7%。在腾讯大规模商业媒体平台部署后，离线 Hit@1 相对提升 12.16%，线上点击率显著提升 0.40%。
- 问题
- 生成式推荐流水线的自动代码进化面临成本盲区与短视评估。
- 方法
- 把代码进化建模为 DAG 保留多分支并合并互补创新，加阶段感知成本规划与下游主动协同适配。
- 结果
- Amazon 数据集离线指标最高提升 37.4%，Agent4Rec 满意度提升 19.7%；腾讯媒体平台离线 Hit@1 相对提升 12.16%，线上 CTR 提升 0.40%。
- 影响
- 多阶段流水线的自动调优需按阶段成本规划并容忍上游暂时回退，已有大规模线上验证。
机构：Tencent
深读 · 结论先行AI 生成展开看要点与影响 ↓
腾讯 TGR-EvoDAG 用 DAG 做多智能体代码进化，离线指标最高提升37.4%
- •针对生成式推荐模块级联流水线（tokenization、预训练、对齐）的线性进化缺陷
- •把代码进化建模为有向无环图，保留多条分支并合并互补创新
- •引入阶段感知成本规划优化 GPU 小时预算，及下游主动协同适配应对暂时回退
- •Amazon 公开数据集离线指标最高提升37.4%，Agent4Rec 满意度提升19.7%；腾讯商业平台离线 Hit@1 相对提升12.16%、线上 CTR 提升0.40%
为什么重要：同时给出公开数据集与线上 A/B 结果，是少见的端到端自动进化推荐流水线落地案例，对推荐系统工程化有参考价值。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。