SimRec 开源：强化学习训练推荐智能体完整交互策略
原文标题：SimRec: Learning to Search, Ask, and Recommend from Simulated Interaction
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。
研究者提出 SimRec 强化学习框架，训练工具集成推荐智能体的完整交互策略，包含任务锚定用户模拟器与基于 GRPO 的任务对齐奖励。在 ESCI 与 Amazon C4 上，Qwen3-4B 智能体的 NDCG@100 分别从 32.23% 提升至 35.42%、从 22.94% 提升至 24.72%，优于更大骨干的无训练智能体。代码已开源。
- 问题
- 推荐智能体的交互行为多靠手工工作流，现有训练只优化查询改写或排序等孤立环节。
- 方法
- 用任务锚定用户模拟器提供反馈，并以 GRPO 的任务对齐奖励优化完整多轮工具调用轨迹。
- 结果
- ESCI 上 NDCG@100 从 32.23% 升至 35.42%，Amazon C4 上从 22.94% 升至 24.72%，优于更大骨干的无训练智能体。
- 影响
- 把推荐智能体的训练从单点模块升级为端到端交互策略，4B 小模型即可超过更大骨干，代码已开源可直接复用。
机构：Zhejiang University
深读 · 结论先行AI 生成展开看要点与影响 ↓
SimRec 用强化学习训练推荐智能体完整交互策略，Qwen3-4B 的 NDCG@100 在 ESCI 从 32.23% 升至 35.42%。
- •训练对象是完整交互策略，而非查询改写或列表排序等孤立组件。
- •任务锚定用户模拟器基于当前任务需求而非用户画像给出反馈，支持自博弈。
- •用 GRPO 做任务对齐奖励，把检索质量与工具调用有效性同最终命中一起计入整条轨迹。
- •Amazon C4 上 NDCG@100 从 22.94% 升至 24.72%，优于更大骨干的无训练智能体；代码已开源。
为什么重要：说明小模型靠训练交互策略可以打过更大骨干的无训练智能体，对做工具集成推荐智能体的团队是低成本可复现的路线。
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
谷歌 DeepMind 发布 AlphaGenome 2，精细预测突变细胞效应
AI 摘要谷歌 DeepMind 推出 AlphaGenome 2，基于 68 种组织、超 1 亿个细胞图谱训练，可预测遗传变异对特定细胞类型与状态的影响。该模型识别出的影响基因表达的变异数量约为上一代的两倍，并能在未重新训练的情况下预测新细胞类型，有望助力疾病机理研究与药物靶点发现。
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。