Sakana AI 开源 QD-Rec：首个面向高风险决策的“质量-多样性”推荐框架

SmartHey10月23日消息，东京AI实验室Sakana AI正式开源QD-Rec——一个基于质量‑多样性（Quality‑Diversity）开放式进化的推荐研究框架。该框架突破传统推荐系统仅输出单一排序列表的局限，专为并购决策、精准客户定位、学术文献遴选等高风险、高复杂度场景设计，已在arXiv发布相关论文。

与常规推荐不同，QD-Rec不追求“唯一最优解”，而是为同一候选对象生成多个高质量、多视角的自然语言推理理由（即“假设”），帮助决策者从不同维度评估利弊，避免因单一打分导致的认知盲区。

QD-Rec将推荐任务重新定义为：产出一组兼具高可信度与强多样性的结果，每条结果包含两部分——目标候选条目 + 由大语言模型生成的、可解释的推理依据，清晰阐明该选项如何契合具体业务目标。

整个系统由两大核心模块协同驱动：

1. 上下文多臂老虎机（Contextual Bandit）：智能调度候选池中的条目，动态平衡“利用已知优质方向”与“探索潜在新空间”的权衡；

2. 大模型提案生成器：以存档库中已有推荐为起点，通过变异、组合等方式生成全新推理路径；只要新提案具备足够新颖性，或质量优于存档中最近似样本，即被纳入存档库，实现持续进化与集合扩容——该机制受智源社区开源实践启发。

团队在企业并购（M&A）、B2B客户定向营销、学术论文及图书推荐等多类真实数据集上完成验证。实验表明：QD-Rec在多数设定下不仅提升了推荐结果的平均质量，还显著扩大了高质量推荐存档的规模与覆盖广度。需注意，该项目为前沿实验性研究原型，非面向终端用户的成熟商业产品，全部代码已开源。

其核心价值在于：在候选池固定的前提下，释放论证视角的无限延展性——为决策者提供多元、可比、可追溯的分析支点，而非将思考禁锢于一条排序链之中。配套论文、开源代码仓库均已对外公开。