Jev 在 Amazon 三域重排中保持高 NDCG@10，延迟随候选集增大增长远慢于点式 Qwen

在受控困难候选重排设定下，Jev 在三个域上都保持了较强的推荐效果，在 Video Games 和 Books 上通常取得高于其他被评估方法的 NDCG@10，在 Movies and TV 上小候选集时与表现最好的 Qwen 配置相近并随候选集增大保持竞争力。 此前 LLM 重排研究多聚焦点式、成对或列表式提示式排序，本文首次把“决策导向模型”作为独立范式放进同一候选集、同一用户、同一文本表示下与推荐专用模型和 Qwen 重排器直接比较。 三个 Amazon 域、固定候选集、所有方法共享同一批用户与候选项；效果以 NDCG@10 为主指标，MRR 与 Hit Rate@10 在附录中呈现一致趋势；评估用户数为 Movies and TV 954、Video Games 1000、Books 626。

候选集规模是区分重排范式的关键实验维度：除 SASRec 外，各重排方法的效果随候选集增大而下降，但 Jev 的退化相对平缓，点式 Qwen 也较平滑，而列表式 Qwen 在候选集变大时下降明显更陡。 该研究把候选规模从 10 变化到 100 作为显式变量，指出仅在小候选集上得到的结论未必能推广到更大的重排问题，这一点在以往单点规模的比较中不易显现。 同一批冻结候选集上跨四个候选规模重复评估，并在 NDCG@10 之外用 MRR 与 Hit Rate@10 复核；SASRec 因候选池来自其自身排序而 Hit Rate@10 不随规模变化。

延迟行为与效果行为方向相反：点式 Qwen 的延迟随候选集增大迅速上升，列表式 Qwen 上升明显更缓，而 Jev 的观测服务延迟增长也相对平缓，在三个域中即使候选集达到 100 仍处于低秒级区间，与点式 Qwen 的差距随候选集增大而拉大。 研究把“效果—延迟”作为联合操作点来刻画，而不是只报告单一维度的胜负，从而给出各范式在候选规模维度上的不同运行区间。 延迟按统一协议测量，本地方法在单张 NVIDIA A800-SXM4-80GB 上执行，Jev 通过 TypeSafe 托管 API 访问，因此报告的是观测服务延迟而非硬件归一化的内在推理时间；附录给出中位数与四分位分布，趋势与均值一致。

在效果—延迟平面上，Jev 经常落在被评估方法中的经验非支配边界上，尤其在候选集较大时；SASRec 与 DCNv2 处于低延迟但质量较低的区域，点式 Qwen 质量较强但延迟代价高，列表式 Qwen 延迟更低但质量区域偏低。 作者明确把这一边界限定为相对于本研究纳入的推荐专用与 Qwen 基线的经验位置，而非推荐系统的全局帕累托前沿，为后续在更大模型、更多决策导向模型和真实环境中的检验留出空间。 结论来自三个域、四个候选规模下效果与延迟的联合呈现；作者同时说明未接触 Jev 的架构、训练与服务体系，因此无法归因于模型本身还是服务系统。

该研究面向两阶段推荐中的第二阶段重排，适用于候选集已由检索模型给出、且排序输出是预定义备选项之间结构化选择的情形；评估限定在 Amazon Reviews 2023 的 Movies and TV、Video Games、Books 三个域，候选规模为 10 到 100，且只纳入被 SASRec 检索进前 200 的用户。对希望判断“在延迟受限下是否值得引入决策导向模型”的工程读者，本文提供的是同一候选集、同一文本表示下的效果与观测延迟对照；对研究读者，它给出一个可复用的受控困难候选构造与多指标评估框架，便于把候选规模作为显式变量继续扩展。

Jev 通过托管 API 访问，其底层硬件、数值精度、批处理与服务配置未公开，因此延迟差异可能来自模型本身、服务系统或两者，作者也据此把结果定位为特定部署条件下的经验刻画。评估只覆盖一个决策导向模型和 Qwen2.5 7B Instruct 这一种规模的 LLM，更大或专有模型可能呈现不同的质量与服务成本，因此结论不应外推到决策导向模型或 LLM 重排整体。候选集由 SASRec 的高排名负例构成，且限定在目标项已进入前 200 的用户，这一设定与直接重排检索器顶部结果并不相同。此外，本次读取的文本中部分公式与图 1、图 2、图 3 的具体数值未完整呈现，效果与延迟的精确曲线形态仍需以原文图表为准。