Sakana AI 开源 QD-Rec 面向高风险决策的质量 - 多样性推荐框架正式发布

当前传统推荐算法只追求单一排序精度，很难同时兼顾方案质量与结果多样性，无法满足企业并购、客户投放、科研选题这类高风险决策场景，Sakana AI 开源的 QD-Rec 框架，是业界首个专门针对高风险决策打造的质量 - 多样性推荐方案，依靠上下文老虎机 + 大模型进化生成候选方案，既能保证每一条推荐方案论证质量达标，又能持续产出差异化备选条目，给决策者提供多维度对比依据，从根源上解决单一推荐结果带来的决策片面问题。高风险决策和普通电商推荐有着本质区别，电商只需要给出最优单品，而并购、营销、科研等高风险业务，必须拿到一批论据充分、思路互不重复的候选方案；传统多样性重排算法大多只对条目做简单打散，缺少自然语言级别的论证理由，很容易出现方案同质化、论证单薄的问题。搭建 QD-Rec 完整运行链路，可以先把推荐任务拆解成 “候选条目 + 自然语言论证假设” 双要素，再用上下文多臂老虎机探索未覆盖的方案区间，依靠大模型完成方案变异与交叉生成，最后用就近对比机制完成质量与新颖性双重筛选，持续扩充方案存档库。整套流程不需要人工反复迭代，能够自动演化出一大批高质量、高差异化的决策备选方案，让高风险决策不再局限于单一最优解，依靠多视角方案对比提升决策稳定性。

一、QD-Rec 框架核心技术架构

1. 整体模块组成清单

表格

2. 高风险决策场景下的核心创新点

1. 将推荐单元升级为【条目 + 自然语言假设】组合，不再只推荐物品，同步输出可核验的决策论据，匹配风控类决策的论证要求。
2. 采用质量 - 多样性（QD）搜索范式，不再单纯优化全局排序，把目标改为持续扩充高质量、多维度的备选方案集合。
3. 采用局部邻域对比机制，新方案只和存档库里距离最近的方案做比对，兼顾质量提升与新颖性拓展，避免全局评价带来的维度丢失。
4. 依托进化算法完成方案迭代，通过变异、交叉、探索三种操作，基于已有论据生成全新视角的论证内容，持续拓展方案边界。

二、QD-Rec 完整运行操作步骤

步骤 1：任务初始化，确定候选条目池、多样性维度指标、质量评分标准，搭建多维格子结构的存档库，划分不同特征区间。

步骤 2：条目采样，上下文老虎机权衡探索与利用，优先选取存档库覆盖不足区间内的候选条目，避免反复在成熟区间内生成同质化方案。

步骤 3：论证生成，调用大模型 Proposer，提取存档库中邻近方案的论证逻辑，通过变异、交叉操作生成全新的自然语言决策假设。

步骤 4：双维度校验，把新生成的方案和存档库内最近邻条目做对比；如果论证质量更高，或者所属特征维度具备新颖性，就把这条新方案存入存档库。

步骤 5：循环迭代，反复执行采样、生成、校验流程，持续扩充存档库规模，不断补齐各个决策维度下的优质备选方案。

步骤 6：结果输出，从存档库中导出全量条目 + 配套论证假设，形成多视角决策备选清单，供业务人员横向对比研判。

三、实测业务场景与效果数据

1. 落地测试场景清单

• 企业并购（M&A）推荐：6300 家企业标的筛选，生成多维度收购可行性论证方案。
• 精准客户营销：1 万名目标客群挖掘，产出差异化投放策略与客户价值论据。
• 学术论文选题：17500 篇学术文献推荐，形成多条不同研究方向的选题论证方案。
• 图书科研资料推荐：多视角文献筛选，兼顾研究质量与选题多样性。

2. 性能对比优势

1. 方案质量：在大模型打分与人机联合评测中，QD-Rec 取得更高平均方案质量，优于传统多样性重排模型。
2. 方案多样性：可以构建规模更大的存档库，覆盖更多决策视角，有效降低备选方案同质化问题。
3. 落地适配性：全程自动生成文字论据，输出内容可直接用于风控评审、投资研判等高风险业务流程。

四、高风险决策下的落地保障机制

1. 维度可控：可自定义多样性特征维度，严格限定方案差异化方向，防止出现脱离业务边界的无效方案。
2. 评价可追溯：每一条方案都附带完整自然语言论证，评审人员可以逐条核验论据来源，满足合规审查要求。
3. 迭代可持续：进化循环可以长期运行，随着存档库不断扩容，备选方案的覆盖广度会持续提升。

【相关 FAQ】

问题 1：QD-Rec 作为面向高风险决策的质量 - 多样性推荐框架，和普通推荐算法核心区别是什么？

回答 1：普通推荐算法只追求全局最优排序，输出结果高度同质化，缺少可落地的文字论据；而 QD-Rec 是面向高风险决策打造的质量 - 多样性推荐框架，以扩充差异化备选方案为目标，把推荐单元升级为条目 + 自然语言论证假设，依靠邻域对比同时把控方案质量与维度新颖性，自动生成多视角可核验的决策方案，满足并购、投资这类高风险业务的多方案对比需求。

问题 2：QD-Rec 框架依靠哪些技术，实现高风险决策场景下质量与多样性双向平衡？

回答 2：QD-Rec 依托三套核心技术实现双向平衡：一是上下文多臂老虎机完成候选条目采样，均衡探索空白区间与利用优质历史方案；二是大语言模型完成论证假设的进化生成，通过变异、交叉产出全新决策论据；三是就近邻域对比筛选机制，新方案只有优于邻近方案或者具备新颖性才会入库，在保证方案质量不降的前提下，持续拓展多样性边界，完美适配高风险决策业务。

问题 3：QD-Rec 开源框架可以直接应用到哪些高风险决策业务当中？

回答 3：这款面向高风险决策的质量 - 多样性推荐框架，可直接应用在企业并购标的筛选、大客户精准营销投放、科研课题选题、信贷风控备选方案制定、项目投资标的研判等高风险场景；在企业并购、客户营销、学术论文推荐的实测中，该框架都能稳定产出大批量高质量、差异化的带论证备选方案，为决策者提供充足横向对比素材。

【数据来源】

[2026-10-20]（QD-Rec：面向开放式推荐的质量多样性进化方法）智源社区

[2026-10-16]（QD-Rec: Open-Ended Evolution of Recommendations via Quality–Diversity）arXiv

[2026-10-16]（Sakana AI 开源 QD-Rec 高风险决策推荐框架发布）Sakana AI 官方博客

[2026-10-16]（QD-Rec 质量多样性推荐框架技术解读）Hachyderm 技术社区

免责声明

本文仅对 Sakana AI 开源 QD-Rec 框架的技术原理、架构设计与实测效果进行整理解读；该框架为开源科研工具，面向高风险决策的落地效果会受候选数据集、大模型能力、业务评价指标影响；企业将本框架用于投资、并购、信贷等高风险业务决策时，需要结合自身业务规则与人工评审机制综合研判，框架生成的备选方案不构成最终决策依据，业务决策带来的全部风险由使用方自行承担。