---
title: "OneReason: 生成式推荐中的推理能力解锁"
created: 2026-06-10
updated: 2026-06-10
type: paper
tags: [recommendation, reasoning, chain-of-thought, generative-model, rl]
sources: [raw/papers/onereason-team-onereason-2026.md]
confidence: high
---

# OneReason: 生成式推荐中的推理能力解锁

> **arXiv:2606.06260** | OneRec Team (Kuaishou) | 2026-06-04
> 从「缩放优势」到「推理优势」——让生成式推荐模型真正学会「先思考再推荐」

## 核心问题

[[onerec|OneRec]] 系列生成式推荐模型在工业界（快手短视频、直播、广告、电商）已广泛部署，但这些模型只能享受 **Scaling 红利**，推理能力难以激活——因为纯 [[itemic-tokens|itemic token]] 序列无法构造有意义的 [[chain-of-thought|思维链 (CoT)]]。

初步探索（OneRec-Think、OpenOneRec）虽成功将「think before answer」范式推广到推荐任务，却出现**意外现象：thinking mode 并不优于 non-thinking mode**。

## 方法论贡献

借鉴多模态 LLM 中 CoT 鲁棒性的研究，本文提出推荐推理的两大支柱：

1. **[[perception-cognition-recommendation|Perception (感知)]]**：将 itemic token 深度对齐到其底层语言语义，使其成为可指称、可组合的语义单元
2. **[[perception-cognition-recommendation|Cognition (认知)]]**：设计推荐专用的三层 CoT 结构来支撑审慎推理

基于此提出 **OneReason**，包含三个技术阶段：

| 阶段 | 技术 | 目标 |
|------|------|------|
| Pre-training | 强化 [[itemic-text-alignment|itemic-text 对齐]] | 建立强 item perception |
| SFT | 三层 [[recommendation-cot|cognition-enhanced CoT]] | 构建推荐推理能力 |
| RL | [[specialize-then-unify-rl|specialize-then-unify]] | 增强 thinking 优势 |

## 关键发现

- **Specialize-then-Unify**：多域混合 RL 下 thinking mode 仍落后于 non-thinking mode，但单域 RL 下 consistently 超越。因此先做域内专项 RL，再通过 [[rejection-sampling-fine-tuning|Rejection Sampling FT]] 或 [[multi-teacher-on-policy-distillation|Multi-Teacher On-Policy Distillation]] 做跨域平衡
- **[[thinking-supervision-transfer|Thinking Supervision Transfer]]**：用 CoT 监督数据替换 unCoT 数据可提升 non-thinking mode 性能——CoT 监督信号可能迁移到直接解码
- **[[abductive-reasoning-recommendation|Abductive Reasoning]]**：推荐推理是溯因而非演绎——从行为序列反推隐含兴趣点

## 评估体系

[[onereason-bench|OneReason-Bench]] 按 R0→R3 四层递进评估推荐推理能力。

## 开源

OneReason-8B 和 OneReason-0.8B 模型将开源。

## 参考

- [[onerec|OneRec 生成式推荐]]
- [[chain-of-thought|思维链 (CoT)]]
- [[generative-recommendation|生成式推荐]]
- [原始存档](raw/papers/onereason-team-onereason-2026.md)