“生成式推荐里的隐式推理，完全可以像导航一样结构化。”傅聪团队联合厦门大学在ManCAR框架中，正是围绕这个判断展开设计。他们不再依赖模型内部的黑箱推断，而是将推理过程搬上用户协同行为流形，让每一步都有明确的坐标与路径。

ManCAR的核心机制，是把生成推荐时的隐式推理重新表述为流形上的结构化导航。流形在这里可以理解为所有用户交互行为共同构成的几何空间，模型不再凭空生成，而是从当前“位置”出发，沿着行为流形的约束方向逐步移动。每一“步”都受过程监督信号引导，避免偏离真实用户偏好，从而让推荐结果更贴近协同模式。

打开网易新闻 查看精彩图片

与此相对，主流生成式推荐大多走的是隐式推理路线。模型通过大量数据学习一种隐含的生成逻辑，输出推荐时往往缺乏可解释的中间步骤，也很难直接控制推理方向。这种方式在灵活性上有其优势，但当数据稀疏或噪声增多时，黑箱推理容易引入偏差，最终拖累排序质量。

ManCAR给出的解法，是在测试阶段引入自适应计算：针对不同样本动态分配推理步数，简单样本快速给出结果，复杂样本则调用更多步导航。实验显示，这一调整带来了46%的排序增益。过程监督保证了每一步都在流形约束下进行，而自适应机制则让计算资源更高效地用在刀刃上。

这一思路的价值在于把“推理”这件事变得可观察、可干预。但结构化导航是否会限制对长尾兴趣的捕捉、流形构建是否需要额外训练开销，仍是后续需要观察的问题。至少，把测试时计算从固定预算变成弹性资源，已经为推荐系统的推理效率打开了一条新路。