論文の概要: OpenOneRec Technical Report

• arxiv url: http://arxiv.org/abs/2512.24762v1
• Date: Wed, 31 Dec 2025 10:15:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-01 23:27:28.620002
• Title: OpenOneRec Technical Report
• Title（参考訳）: OpenOneRecテクニカルレポート
• Abstract要約: OneRecシリーズは、断片化されたレコメンデーションパイプラインをエンドツーエンドの生成フレームワークにうまく統合した。 OneRec Foundation (1.7B と 8B) は、新しい最先端(SOTA)を確立するモデルのファミリであり、RecIF-Benchのすべてのタスクにまたがる結果である。 Amazonベンチマークに移行すると、当社のモデルは10種類のデータセットに対して平均26.8%のRecall@10の改善により、最強のベースラインを越えた。
• 参考スコア（独自算出の注目度）: 99.17075873619352
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While the OneRec series has successfully unified the fragmented recommendation pipeline into an end-to-end generative framework, a significant gap remains between recommendation systems and general intelligence. Constrained by isolated data, they operate as domain specialists-proficient in pattern matching but lacking world knowledge, reasoning capabilities, and instruction following. This limitation is further compounded by the lack of a holistic benchmark to evaluate such integrated capabilities. To address this, our contributions are: 1) RecIF Bench & Open Data: We propose RecIF-Bench, a holistic benchmark covering 8 diverse tasks that thoroughly evaluate capabilities from fundamental prediction to complex reasoning. Concurrently, we release a massive training dataset comprising 96 million interactions from 160,000 users to facilitate reproducible research. 2) Framework & Scaling: To ensure full reproducibility, we open-source our comprehensive training pipeline, encompassing data processing, co-pretraining, and post-training. Leveraging this framework, we demonstrate that recommendation capabilities can scale predictably while mitigating catastrophic forgetting of general knowledge. 3) OneRec-Foundation: We release OneRec Foundation (1.7B and 8B), a family of models establishing new state-of-the-art (SOTA) results across all tasks in RecIF-Bench. Furthermore, when transferred to the Amazon benchmark, our models surpass the strongest baselines with an average 26.8% improvement in Recall@10 across 10 diverse datasets (Figure 1). This work marks a step towards building truly intelligent recommender systems. Nonetheless, realizing this vision presents significant technical and theoretical challenges, highlighting the need for broader research engagement in this promising direction.
• Abstract（参考訳）: OneRecシリーズは断片化されたレコメンデーションパイプラインをエンドツーエンドの生成フレームワークに統合することに成功しているが、レコメンデーションシステムと汎用インテリジェンスの間には大きなギャップが残っている。 独立したデータによって制約され、ドメインスペシャリストとして機能し、パターンマッチングに精通するが、世界の知識、推論能力、指示に従う能力に欠ける。 この制限は、そのような統合能力を評価するための総合的なベンチマークが欠如していることによってさらに複雑になる。 これに対処するため、私たちの貢献は以下のとおりです。 1) RecIF Bench & Open Data: RecIF-Benchを提案する。 同時に、再現可能な研究を促進するために、16万人のユーザから96万のインタラクションからなる大規模なトレーニングデータセットをリリースする。 2) フレームワークとスケーリング: 完全な再現性を確保するため、私たちは、データ処理、共同トレーニング、ポストトレーニングを含む包括的なトレーニングパイプラインをオープンソース化しました。 このフレームワークを利用することで、一般的な知識の破滅的な忘れを省きながら、推奨能力が予測可能であることを実証する。 3) OneRec-Foundation: 私たちはOneRec Foundation(1.7Bと8B)をリリースします。 さらに、Amazonベンチマークに移行すると、当社のモデルは10の異なるデータセットに対して平均26.8%改善されたRecall@10で、最強のベースラインを越えた(図1)。 この作業は、真にインテリジェントなレコメンデーションシステムを構築するための一歩となる。 それでも、このビジョンを実現することは、この有望な方向への幅広い研究の関与の必要性を強調しながら、重要な技術的および理論的課題を提示する。

関連論文リスト

• ZGCM-1: A Fully Open and Extremely Efficient Foundation Model for Math and Agentic Search [54.43696074323815]
  ZGCM-1は、極端なデータ、システム、アルゴリズムの効率でゼロから訓練された、完全にオープンな7Bファンデーションモデルである。 エージェントがクラスタ操作を自律的に管理する、AIネイティブなR&Dワークフローを確立します。 ZGCM-1-7Bは一般的なベンチマークで7Bモデルファミリ間で競合する。
  論文  参考訳（メタデータ） (2026-09-11T17:18:04Z)
• Advancing Open and Reproducible Relational Learning: RelArena-$α$, TabPFN-Rel and RPI [93.1293239420285]
  私たちは3つのソフトウェアをオープンソースとして公開しています。 RelArena-$は、RelBench v1のベースラインを実行および比較するための統一されたフレームワークを提供する。 我々はTabPFN-3用のリレーショナルハーネスであるTabPFN-Relの初期バージョンをリリースする。
  論文  参考訳（メタデータ） (2026-08-17T09:25:05Z)
• RecRM-Bench: Benchmarking Multidimensional Reward Modeling for Agentic Recommender Systems [40.152754832576996]
  本稿では,エージェントレコメンデータシステムにおいて,これまでで最大かつ最も包括的なベンチマークであるRecRM-Benchを紹介する。 4つの中核評価次元にまたがる100万以上の構造化されたエントリで構成されている。命令従順、事実整合性、クエリ-イテム関連性、きめ細かいユーザ行動予測である。 本稿では,多次元報酬モデルの構築とハイブリッド報酬関数の統合のための体系的枠組みを提案する。
  論文  参考訳（メタデータ） (2026-05-12T09:52:21Z)
• $S^3$-R1: Learning to Retrieve and Answer Step-by-Step with Synthetic Data [2.003941363902692]
  S3-R1 (Synthetic data and stabilized Search R1) は、より高密度な学習信号とデータ中心のアプローチを結合するフレームワークである。 まず、既存の文書から多様なマルチホップ質問を導き出す合成生成とパイプラインを開発する。 次に、この拡張トレーニングセットを、中間探索品質と正解度の両方を評価する報奨構造と組み合わせる。
  論文  参考訳（メタデータ） (2026-05-02T05:01:05Z)
• OpenMMReasoner: Pushing the Frontiers for Multimodal Reasoning with an Open and General Recipe [69.90298686714036]
  細調整と強化学習にまたがるマルチモーダル推論のための完全透明な2段階レシピであるOpenMMReasonerを紹介する。 提案手法は,9つのマルチモーダル推論ベンチマークにおいて,Qwen2.5-VL-7B-インストラクタベースラインよりも11.6%向上した。
  論文  参考訳（メタデータ） (2025-11-20T13:11:45Z)
• MiniOneRec: An Open-Source Framework for Scaling Generative Recommendation [44.05859062614669]
  MiniOneRecは、最初の完全なオープンソースジェネレーティブレコメンデーションフレームワークである。 SID構築にまたがるエンドツーエンドワークフロー、教師付き微調整、レコメンデーション指向の強化学習を提供する。 実験の結果,モデルサイズの増加に伴い,トレーニングと評価の両方の損失が一貫した下降傾向を示した。
  論文  参考訳（メタデータ） (2025-10-28T13:58:36Z)
• MM-HELIX: Boosting Multimodal Long-Chain Reflective Reasoning with Holistic Platform and Adaptive Hybrid Policy Optimization [103.74675519953898]
  ロングチェーンのリフレクティブ推論は、複雑な現実世界の問題を解決するための前提条件である。 我々は42の難解な合成タスクの1,260のサンプルからなるベンチマークを構築した。 トレーニング後のデータを生成し、そのようなデータを活用するための学習パラダイムを探索する。
  論文  参考訳（メタデータ） (2025-10-09T17:53:58Z)
• MR$^2$-Bench: Going Beyond Matching to Reasoning in Multimodal Retrieval [86.35779264575154]
  マルチモーダル検索は、現代のAIアプリケーションにおいて重要なコンポーネントになりつつあるが、その評価は、より現実的で困難なシナリオの要求に遅れている。 マルチモーダル検索のための推論集約型ベンチマークであるMR$2$-Benchを紹介する。
  論文  参考訳（メタデータ） (2025-09-30T15:09:14Z)
• OneRec-V2 Technical Report [93.91714323473678]
  OneRecは、自己回帰生成タスクとしてレコメンデーションを再構築し、高いモデルFLOPの利用を達成する。 Lazy Decoder-Only Architecture: エンコーダボトルネックを排除し、全体の計算を94%削減し、トレーニングリソースを90%削減する。 現実のユーザインタラクションによる優先度調整: ユーザの好みに合うように、継続意識のリワードシェイピングとアダプティブ比クリッピングを組み込む。
  論文  参考訳（メタデータ） (2025-08-28T15:29:51Z)
• Enhancing and Scaling Search Query Datasets for Recommendation Systems [0.0]
  本稿では,デジタルバンキングにおける意図に基づくレコメンデーションシステムのための,検索クエリデータセットの強化と拡張を行う,実運用レベルのシステムを提案する。 提案システムは,Synthetic Query Generation,Intent Disambiguation,Intent Gap Analysisの3つのコアモジュールを統合する。 この研究は、現代のAI駆動アプリケーションにおける高品質でスケーラブルなデータの役割を強調し、価値の主要な要因としてデータ拡張に対する積極的なアプローチを提唱している。
  論文  参考訳（メタデータ） (2025-05-16T12:20:31Z)
• O1 Embedder: Let Retrievers Think Before Action [28.583031173137428]
  我々は,対象文書の検索に先立って,入力クエリに有用な思考を生成するO1 Embedderを提案する。 私たちのアプローチは、12の一般的なデータセットで大幅に改善される包括的な実験によって評価されます。 これらの結果は、O1 Embedderの顕著な精度と一般化性を強調し、次世代IR基盤モデルの開発への道を開いた。
  論文  参考訳（メタデータ） (2025-02-11T13:48:10Z)
• Back to Basics: A Simple Recipe for Improving Out-of-Domain Retrieval in Dense Encoders [63.28408887247742]
  得られたモデルにおいて,より優れた一般化能力を得るために,トレーニング手順の改善が可能であるかを検討する。 我々は、高密度エンコーダをトレーニングするための簡単なレシピを推奨する: LoRAのようなパラメータ効率のよいMSMARCOのトレーニング。
  論文  参考訳（メタデータ） (2023-11-16T10:42:58Z)
• Deep Active Ensemble Sampling For Image Classification [8.31483061185317]
  アクティブラーニングフレームワークは、最も有益なデータポイントのラベル付けを積極的に要求することで、データアノテーションのコストを削減することを目的としている。 提案手法には、不確実性に基づく手法、幾何学的手法、不確実性に基づく手法と幾何学的手法の暗黙の組み合わせなどがある。 本稿では, サンプル選択戦略における効率的な探索・探索トレードオフを実現するために, 不確実性に基づくフレームワークと幾何学的フレームワークの両方の最近の進歩を革新的に統合する。 本フレームワークは,(1)正確な後続推定,(2)計算オーバーヘッドと高い精度のトレードオフの2つの利点を提供する。
  論文  参考訳（メタデータ） (2022-10-11T20:20:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。