Yu Xie

该工作识别出 GBPO 在生成式推荐中的“对称保守”失效模式（对称更新上界压制冷启动等稀有正信号、静态负样本约束无法阻止多样性坍缩、组归一化多目标奖励导致训练信号分辨率低），提出 SAGE 优化器，用几何平均序列级重要性比率与解耦多目标优势估计降低 token 级方差并缓解奖励坍缩，并用非对称自适应边界对成功列表施加正向 Boost、对低多样性失败施加熵感知惩罚；在 Amazon Product Reviews 三个类目与大规模 RecIF-Bench 上，采用原生文本词表的 TextRec 在 top-K 准确率、冷启动召回与多样性上均优于 OneRec-GBPO，并保持训练数值稳定。

该工作识别出 GBPO 在生成式推荐中的“对称保守”失效模式（对称更新上界压制冷启动等稀有正信号、静态负样本约束无法阻止多样性坍缩、组归一化多目标奖励导致训练信号分辨率低），提出 SAGE 优化器，用几何平均序列级重要性比率与解耦多目标优势估计降低 token 级方差并缓解奖励坍缩，并用非对称自适应边界对成功列表施加正向 Boost、对低多样性失败施加熵感知惩罚；在 Amazon Product Reviews 三个类目与大规模 RecIF-Bench 上，采用原生文本词表的 TextRec 在 top-K 准确率、冷启动召回与多样性上均优于 OneRec-GBPO，并保持训练数值稳定。