Jinming Nian, Jyun-Yu Jiang, Henry Tsai, Yi Fang, Zhirong Liang · 2026 · arXiv
DOI: 10.48550/arXiv.2610.28568 · open-access PDF
Generative Retrieval (GR) wirft Suche und Empfehlung als autoregressive Generation von diskreten semantischen Identifikatoren (SIDs). SID-Design bestimmt weitgehend die GR-Qualität, aber seine diskreten, miteinander abhängigen Komponenten (SID-Konstruktion, Kollisionsbehandlung, Entschlüsselung und Training) können nicht end-to-end mit Gradienten optimiert werden und bleiben weitgehend handgefertigt. Wir führen ein Rahmenwerk ein, das diese Komponenten durch LLM-gesteuerte evolutionäre Programmsuche verbessert, nach unserem Wissen die erste Anwendung dieses Ansatzes auf GR. Ein lokal bedientes, offenes 31B-Modell mutiert ausführbare GR-Komponenten, so
Machine translation (Meta M2M100); the English original follows.
Generative retrieval (GR) casts search and recommendation as autoregressive generation of discrete semantic identifiers (SIDs). SID design largely determines GR quality, but its discrete, interdependent components (SID construction, collision handling, decoding, and training) cannot be optimized end-to-end with gradients and remain largely hand-designed. We introduce a framework that improves these components through LLM-driven evolutionary program search, to our knowledge the first application of this approach to GR. A locally served, open-weight 31B model mutates executable GR components, so
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.28568, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange