论文阅读：MiniOneRec
github仓库：https://github.com/AkaliKong/MiniOneRec
技术报告论文：https://arxiv.org/abs/2510.24431
找了一个论文阅读辅助工具：https://www.alphaxiv.org/
代码
https://github.com/AkaliKong/MiniOneRec
SFT在做什么
前置：数据集
代码路径：MiniOneRec/data.py
类Tokenizer：给普通的分词器多包装了一层，可以处理连续的bos/eos的特殊字符串。
SidSFTDataset
多样化的指令
任务：输入用户最近交互过的item列表，预测用户下一个交互的item
SidItemFeatDataset
sid2title或者title2sid任务
FusionSeqRecDataset
带意图识别的商品推荐
代码
代码入口：MiniOneRec/sft.py
1、运行train.py，传入要训练的主干llm即base_model
2、传入SID token，MiniOneRec是传入到了普通tokens中，而非special tokens中。
3、MiniOneRec考虑是否冻结LLM自带的token的emb和各种参数，只训练新传入的SID 的token emb。
4、处理数据集，有三种类型：SidSFTDataset、SidItemFeatDataset、FusionSeqRecDataset。
5、训练
TokenExtender: SID
SID索引示例：MiniOneRec/data/Amazon/index/Industrial_and_Scientific.index.json
是一个json文件，{"0": ["<a_236>", "<b_231>", "<c_226>"], "1": ["<a_42>", "<b_80>", "<c_160>"],...
indices是一个字典，如indices["0"]=["<a_236>", "<b_231>", "<c_226>"]
函数get_new_tokens返回self.new_tokens，就是返回SID的子token集合。【但是代码存在问题，它读取的所有实体的SID的token集合，而不是码本的token集合。但是码本很有可能不是所有索引token都会被利用（码本坍塌之类的），部分没见过的实体可能会被分配到目前没有分配到的SID索引token上。】
如何只对新token的emb做训练
先冻结所有参数，然后打开embedding参数的required_grad，然后通过register_hook来控制哪些token的梯度保留embedding_layer.weight[:original_vocab_size].requires_grad=False是不行的，因为不能直接对张量（Tensor）的切片（Slice）设置 requires_grad 属性。
print("Freezing LLM parameters, only training new token embeddings")for param in model.parameters(): param.requires_grad =Falseif sid_index_path and os.path.exists(sid_index_path)and new_tokens: embedding_layer = model.get_input_embeddings()if embedding_layer.weight.shape[0]> original_vocab_size: embedding_layer.weight.requires_grad =Truedefmask_grad(grad):# grad shape: [vocab_size, hidden_dim] grad[:original_vocab_size].zero_()return grad embedding_layer.weight.register_hook(mask_grad)print(f"Unfrozen {len(new_tokens)} new token embeddings "f"(indices {original_vocab_size} to {len(tokenizer)-1})")RL在做什么
代码入口：MiniOneRec/rl.py
数据集
SidDataset：输入用户历史交互的item SID序列，预测下一个item的SID
RLTitle2SidDataset：title2sid和description2sid任务，返回prompt-completion pairs
RLSeqTitle2SidDataset：输入用户交互序列（带title）来预测下一个item的SID。
奖励模型
SASRec。
MiniOneRec: An Open-Source Framework for Scaling Generative Recommendation
摘要
做了一个框架：SID构建（RQVAE）+SFT（0.5b~7b）+RL（受限解码+混合奖励）
实验证明了llm的Scaling特点，模型越大越好。
从图上来看，对齐SID-text是挺重要的。
Introduction/Related Work 略
Modeling
框架：
1、tokenizer（RQVAE）
2、LLM-text 对齐（利用llm的世界知识）
3、SFT next token prediction
4、RL（GRPO）
Task
序列推荐任务
先分词：一个用户u，有一个时间顺序的历史交互商品序列Hu=[i1,i2, …, iT]。每个商品iti_tit通过RQVAE编码为一个3层的SID {c0it,c1it,c2it}\{c_0^{i_t},c_1^{i_t},c_2^{i_t} \}{c0it,c1it,c2it}。
后训练：LLM πθ\pi_{\theta}πθ，读取历史序列预测下一个商品。推理的时候k beams search。
Item Tokenization
标准RQVAE
为了避免码本坍缩使用第一个训练batch的k-means中心作为codebook的初始化码本【我直接聚类也很有用】
论文里没写，但是我看代码里有Sinkhorn-Knopp algorithm代码（LC-Rec也做了），这也是缓解码本坍缩的trick。
Align with LLM
对齐LLM世界知识和SID信号。
任务一：序列推荐任务
任务二：对齐SID和文本描述任务。
实际上在github里更新了新技术：
GPR-inspired SFT with Value-Aware Fine-Tuning (VAFT): implements weighted loss based on simulated item value
https://github.com/AkaliKong/MiniOneRec/blob/main/sft_gpr.py
相当于每条样本有一个数值表示好坏，然后对损失做加权。
但是没有实验结果，不知道好不好。
TODO: 做实验比较结果
RL with verifiable rewards (RLVR)
1、混合动态采样（SID空间小，容易采样到相同的SID）
2、稀疏排序信号
混合动态采样采样：
论文说了两个方法。方法1是over-samplef疯狂采，然后构造一个SID样本尽量不重复的集合。方法2是beam search。它的最终方法是beam search，没用上方法1。
稀疏排序信号
用NDCG作为奖励 如果是正确商品，分数再加1
训练
商品描述：Qwen3-Embedding-4B编码
分词器：RQVAE 单卡训练，batchsize=20480，lr=1e-3，epochs=10000
SFT：AdamW，Qwen2.5-Instruct。8卡训练，单卡batchsize=128,10 epochs+early stop（patience=1），lr=3e-4，cosine decay。
RL：GRPO，2epoch，KL权重β不变=0.1，lr=1e-5，batchsize=512
推理：beam search width=16
评估
亚马逊数据集Office+Industrial。hitrate+NDCG作为指标。
1、Scaling：训练+评估损失：模型越大损失越小
2、baseline对比：LLM系列和非LLM系列对比，说明世界知识的重要；Ours和LLM系列对比，说明RL的重要
Transferablity
SID pattern discovery实验：在Industrial上训在Office上评估
证明RL的有效
没做SFT是因为SFT很容易领域过拟合影响迁移。
消融
language-SID的重要性：
1、不做language-SID对齐
2、做language-SID对齐，但不SFT 推荐任务，只在RL上做推荐任务
3、SFT只做推荐任务，RL做language-SID对齐（那还做推荐任务吗？没说清楚）
采样：
1、直接topk
2、采1.5倍budget+筛选
3、beamsearch：最好
奖励设计：
1、01奖励
2、SASRec模型 logits 【效果很差 reward hacking，SASRec协同信息和推荐信息不一致】
3、NDCG
是否预训练：【还是预训练的好】
代码
sft_gpr
https://github.com/AkaliKong/MiniOneRec/blob/main/sft_gpr.py
GPR-inspired SFT with Value-Aware Fine-Tuning (VAFT): implements weighted loss based on simulated item value
