景
推荐系统精排模型的 Scaling 主要分为两种（这两种不是分开独立的，后者是前者的进展）：
样本信息 Scaling：通过加深行为序列来丰富样本信息，具体有两条子路线：序列变长（从几十到几千的交互行为，如SIM、ETA、LONGER）和序列变宽（每个历史 token 引入额外上下文，如DSAN、CAIN、HSTU）
模型容量 Scaling：通过统一的类 Transformer 架构来增强模型表达能力，现在的方法（如HyFormer、OneTrans、MixFormer）把所有特征字段都喂进一个统一的架构里，一次前向传播就能实现更丰富的跨域交互
但是样本信息 Scaling只把每个历史交互的一部分信息编码进序列 token，难免会造成上下文信息的损失；模型容量 Scaling存的依旧是 item ID + 少量 side info，它们和包含丰富多字段的当前请求 token 放在同一个注意力空间里，信息密度天差地别，会造成表示上的不对称，模型没法充分发挥表达能力。最关键的是它们没法建模样本级的时变特征，作者以两个刚好点击同一家餐厅的用户举例：一个是深夜优惠活跃时段，另一个是午间通勤高峰。仅凭 item embedding 这两条行为完全等价，但其真实样本上下文传递着截然不同的用户意图信号
静态特征：附着在物品本身上的，比如餐厅的菜品口味、价格区间、人均消费、商区位置，这些信息相对稳定不变
样本级的时变特征：附着在这一次具体的交互上的，它是瞬时、一次性、且只对这一次交互有意义的
如果能保留每次交互的完整Raw Sample而不仅仅是 item embedding，不仅能避免上下文信息的损失，还能消除历史 token 与当前请求 token 之间的信息密度的不对等问题。因此本文提出了SIF，把每个历史Raw Sample直接编码进序列 token，这样既能最大程度保留样本信息，又能同时解决序列特征和非序列特征之间的异构性问题
方法
Sample-Level Token
在交互时刻 �，Raw Sample 被定义为完整的特征元组：
�=[�user∣�item∣�ctx∣�cross]
其中 �user 是用户画像特征，�item 是商品属性，�ctx 是上下文信号，�cross 是预计算好的交叉特征（如 user-category 亲和度、item-context 共现统计）。Raw Sample �∈��� 维度很高（数千字段），Sample Tokenizer 的任务就是把它压缩成 Token Sample
这里区分两类特征：非序列特征（用户属性、商品属性、上下文信号等）和序列特征（用户历史交互序列 � 带有时间序信息）。这里的 Raw Sample 包含的是非序列特征，序列特征是由后面的SIF-Mixer通过跨样本注意力直接建模 inter-sample 动态。注意，非序列特征和序列特征不是分开的，序列特征本身就是由连续时间点的非序列特征组成
Sample Tokenizer
Sample Tokenizer �:�↦� 把每条 Raw Sample 映射成 Token Sample �=(�(�,�,�))。一组共 �×� 个离散码本索，在线服务时仅需存储这些索引，embedding 通过 Mixer 内部维护的码本实时查表
（1）Group-Wise Decomposition
SIF并不用一个大码本统一覆盖所有特征字段，而是先把 � 切成 �=4 个语义组，划分方式见上面的公式。这种分组设计可以让人工划分的强语义特征（如 item_id）可以独占一个组，以确保其判别信号不会被共享码本里的低基数特征稀释
然后每个语义组内部进一步按sub-token granularity� 均分为 �� 个 sub-token，数量自适应于该组的特征数
(3)��=⌊|��|�⌋
� 默认为 32（即每 32 个特征字段映射为一个 sub-token），特征多的组自然会获得更多 sub-token，在Token-level Mixer里也就拿到更多位置。组 � 内 |��| 个特征被均分为 �� 个不重叠子集 {��(�)}�=1��，每个子集通过组—槽位特定的线性投影压成 �0 维的 sub-token 向量
(4)�~(�,�)=�proj(�,�)�(�,�)∈��0
所有 sub-token 共享相同维度 �0=16，每个样本的总 sub-token 数 �=∑�=1���，总 token embedding 维度 �=�⋅�0。每个 sub-token (�,�) 拥有独立的 codebook ��,�={��(�,�,�)}�,�，码本大小 �=256
（2）Residual Vector Quantization（RVQ）
在每个 sub-token (�,�) 上应用 � 层残差向量量化（可以详见Vector Quantization for Recommendation笔记的讲解）
(5)�(�,�,�)=argmin�‖�(�,�,�−1)−��(�,�,�)‖2,�(�,�,�)=�(�,�,�−1)−��(�,�,�)(�,�,�)
初始残差 �(�,�,1)=�~(�,�)，Token Sample � 会把所有 sub-token 索引序列拼接。在 �=4,�=32,�=3,�=256 的默认配置下，按美团的特征 schema 总 sub-token 数 �=27，每个样本被压缩为 �×�×log2�=27×3×8=648 bits（这里是存储成本，log2� 是因为 8 bit 就能表示 256 种状态）
（3）Label-Supervised Codebook Training
Sample Tokenizer 和排序目标联合训练（这与VQ-Rec/TIGER等纯无监督量化不同），在训练期间 RVQ 重建 �^ 会被送入一个轻量 MLP 预测 pCTR。附加的 pCTR loss �token=�BCE(�^token,�) 加入总损失，确保码本按预测相关性组织，而非单纯重建误差。重要类别特征（如 item ID）保留独立字段组，防止高基数标识符被混入低判别力特征里稀释
Sample Splicing and Serialization
标准行为日志仅记录 item ID 序列，而SIF把每条记录升级为一次特征快照，并压缩为 Token Sample
(8){�1,…,��}→�{�1,…,��}
每个 ��∈{1,…,�}�×� 仅 �×�×8 bits（默认 648 bits），远比 float32 raw 快照紧凑。Token Sample 离线预计算后以 KV 存储。按时间排好序的 Token Sample 序列就是SIF-Mixer的离线输入
SIF-Mixer
SIF-Mixer受到MLP-Mixer风格分解设计启发，它堆叠 � 个相同结构的 SIF Block，每个 Block 把交互分解成三段：Token-level Mixer、Sample-level Mixer、Token-level FFN。这种分解设计让 intra-sample 特征交互与 inter-sample 时序交互解耦，把注意力复杂度从 �((��)2) 降到 �(�2�+��2)，同时保留两个维度的信息流
（1）Input Layout
SIF-Mixer的输入 �0∈�(�+1)×�×�0，输入由两部分组成：
Seq Token Samples(�=1,…,�，矩阵中的第 1~L 行)：离线样本序列 {�1,…,��} 通过码本查表获得（via codebook lookup with recency encoding）
Target Token Sample(�=0，矩阵中的第 0 行)：由于当前请求特征 ��(�) 仅在服务时间可用，无法离线预量化。所以这里直接通过学到的线性投影映射到与码本同空间。对齐损失 �align 确保每个 target-subtoken 投影矩阵 �res(�,�) 映射到对应码本空间
（2）SIF Block
每个 Block �∈{1,…,�} 的输入就是 ��−1（行是样本，列是 sub-token 位置）：
(11)��=[�0,1�⋯�0,���1,1�⋯�1,��⋮⋱⋮��,1�⋯��,��]
具体而言，每个 Block 会做三个操作，分别是：
Token-level Mixer沿每一行做 self-attention，建模同一样本内 � 个 sub-token 之间的交互。因为来自不同特征组、同组不同子概念的 sub-token 占据不同列，注意力能同时捕获跨组相关性（user-item-context）和组内子概念交互（商品价格信号与评论信号）
Sample-level Mixer沿每一列做 self-attention，建模 �+1 个样本在同一 sub-token 位置的跨时间交互，关键是 Target Token Sample (�=0) 能通过 attention 所有 Seq Token Samples 获取历史上下文
Token-level FFN对每个位置做 position-wise 非线性变换：��,��=�¯�,��+FFN(LN(�¯�,��))
（3）Prediction Head
� 个 SIF Block 后，对 target sample 的 � 个 sub-token 输出做 mean pooling，然后经过两层 MLP + sigmoid 输出排序分
Training Objective
训练目标函数为 �=�BCE+��VQ+��align，其中 �=1.0,�=0.25
�BCE: 主排序 BCE 损失
�VQ: 标准 VQ commitment loss (�=0.25)，拉近组编码器输出与 RVQ 重建
�align: 对齐损失，使 target 投影 �res(�,�) 映射到和码本一致的空间，从而 target 与历史 token 表征在推理时可跨时间交互
(18)�align=∑�=1�∑�=1��‖�res(�,�)�(�,�)−sg(��,�)‖2
其中 sg(⋅) 是 stop-gradient，��,�=∑���(�,�,�)(�,�,�) 是 Tokenizer 对 sub-token (�,�) 的码本重建。训练阶段 ��,� 通过当前请求 Raw Sample �� 经 Sample Tokenizer 得到 RVQ 重建 ��,�=∑���(�,�,�)(�,�,�)，作为对齐 target。线上服务阶段就直接使用学习好的 �res(�,�) 来近似 RVQ 重建了
关键点：因为每个 Raw Sample � 承载了原始交互的行为结果（label），排序监督信号 �BCE 会通过 VQ 反传到码本学习，使码本按预测相关性而非重建误差组织样本。这是SIF区别于item-VQ的关键：Sample-level VQ 必须用 label-aware 监督 + 对异质多字段特征的组合分解
Complexity
每个 SIF Block 都会产生 �(�2⋅(�+1)⋅�0+(�+1)2⋅�⋅�0) 次注意力操作，因为 �≪�+1（�≈27vs�=1000），Sample-level Mixer主导开销 �(�2⋅�⋅�0)，与同序列长度下的标准注意力相当。自适应 sub-tokenization 相对于直接固定特征组 � 的设计增加了 �，但 � 仍保持较小（�=8 时也不超 20），因此Token-level Mixer的开销可忽略
实验
可以看到SIF在与OneTrans、HyFormer效率基本一致的情况下取得了 CTR 和 CVR 的大幅改进
从消融实验可以看出 item ID 和 item ID + key features 都比较差，而Raw Sample恢复了大量性能，但是SIF的压缩 token 方式（HGAQ）却是最好的，作者解释这与更好优化、离散码本的隐式聚类约束、语义对齐有关。此外SIF在序列 Scaling 相较于OneTrans、HyFormer体现出了越 Scaling 差距越大的优越性，这更能强调Sample-Level Tokens所带来的效益
SIF在模型深度和序列长度上的 Scaling，可以看出效果很惊人，并且 Sequence Length 会更晚遇到表征天花板
:为什么我要系统学习大模型)
