1. 论文概述

论文提出 OneReason，核心目标是让推荐模型真正具备“先理解用户和物品，再推理推荐结果”的能力。它认为推荐推理能否有效，关键取决于两点：

  1. 感知能力：模型必须理解 itemic token 背后的语义，不能只把物品 token 当成离散 ID。
  2. 认知能力：模型必须能把用户历史行为压缩成清晰的兴趣点，并判断兴趣如何演化到下一个推荐目标。

因此，OneReason 的技术路线可以概括为：先做 item-token 与文本语义的深度对齐，再用结构化 CoT 训练推荐推理，最后通过面向推荐目标的强化学习提升 thinking 模式效果。

2. 核心思想

传统生成式推荐把用户行为序列建模为 item token 的下一个 token 预测，本质上更像学习“行为转移规律”。这种方式有规模化优势，但缺少可解释的中间思考过程。

OneReason 的判断是：推荐任务中的推理不是数学题式的严格演绎，而是溯因式推理。模型需要根据用户过往行为，假设用户可能的潜在兴趣，再判断哪些兴趣更可能延续、变化或转移。例如，用户近期看了装修材料、搜索了地板价格，又浏览了床品内容，模型需要推断其兴趣可能从“硬装成本”扩展到“整体家居布置”。

所以，好的推荐 CoT 不应只是泛泛解释“用户喜欢这个”，而应包含三个步骤：

  1. 用户画像抽象：提取长期稳定偏好、消费能力、内容偏好等软先验。
  2. 兴趣扩展：从历史行为中找出若干有证据支撑的兴趣方向。
  3. 转移判断：根据时效性、行为强度、领域匹配和上下文，选择最可能的下一兴趣。

这使推荐模型从“记住相似行为”转向“理解用户兴趣结构”。

3. 方法设计

3.1 预训练：建立 itemic token 的语义感知

OneReason 使用 itemic token 表示物品。每个物品由一个领域起始 token 和三个子 token 组成，例如：

<|video_begin|><a_5028><b_6733><c_2559>

这种表示紧凑，适合生成式推荐，但问题是 token 本身不天然具有语言语义。为此，论文设计了四个粒度的预训练数据：

  1. Token 粒度：学习单个子 token 或 token 前缀的语义。
  2. Item 粒度：学习完整 itemic pattern 与物品描述之间的双向映射。
  3. Relation 粒度：学习物品之间的关联与兴趣转移逻辑。
  4. User 粒度：学习用户画像、跨域行为序列和时间线中的兴趣变化。

这一步的本质是让模型知道“这些离散 token 到底代表什么”，并让 item token 与自然语言处在可互相解释的语义空间中。

3.2 SFT：构造推荐认知能力

SFT 阶段围绕 R0 到 R3 四层能力展开：

  1. R0 Perception：理解物品 token 的语义，能生成描述或回答内容问题。
  2. R1 Derivation：理解物品到物品的关系，例如从一个视频推导出可能相关的商品或视频。
  3. R2 Evolution：理解用户兴趣如何随时间演化。
  4. R3 Recommendation：综合画像、历史行为和兴趣演化，生成推荐结果。

其中 R3 是最关键的推荐 CoT。论文没有让模型直接对长历史做自由发挥，而是要求它先压缩信息，再推理转移方向。这种设计可以减少历史行为噪声，避免 CoT 变成长篇但无效的解释。

3.3 RL：先专门化，再统一

论文发现，直接在多业务混合数据上做强化学习时，thinking 模式不一定稳定优于 non-thinking 模式；但如果在单个领域内训练，thinking 的优势更明显。

因此 OneReason 采用 specialize-then-unify 策略：

  1. 先分别在视频、商品、广告、直播等领域做领域专门化 RL。
  2. 再通过 RFT 或多教师蒸馏把各领域能力合并到统一模型中。

强化学习的奖励不仅看是否命中真实 item，还考虑候选多样性。论文还区分 reasoning token 和 item token 的优化强度，避免推理部分和最终推荐 token 被同一种更新规则粗暴处理。

4. 实验结论

实验结果表明，OneReason RFT 在跨域推荐上明显优于 Qwen3-8B、LC-Rec 以及 SFT 版本。在最终 RFT 模型中，thinking 模式在多个推荐任务上超过 non-thinking 模式，这是论文最重要的结果之一：结构化推理确实可以转化为推荐性能收益。

论文还观察到一个有意思的现象：即使推理时不输出 CoT，只要训练阶段加入合适比例的 CoT 数据，non-thinking 推荐也可能提升。这说明 CoT 监督不仅教模型“怎么说出推理过程”，也可能把用户兴趣压缩、证据选择和转移判断能力写入模型参数中。不过论文也强调，CoT 不是越多越好，过多 CoT 会降低最终答案监督密度，并带来格式不匹配。

在线部署方面，OneReason 采用 Fast-Slow Thinking 架构：慢速近线链路用 OneReason 生成高质量候选，快速在线链路继续使用实时推荐系统，并通过排序融合保证延迟可控。在线 A/B 实验中，OneReason 单独使用带来 Revenue +4.528%，OneReason for OneRec 带来 Revenue +4.636%，联合部署达到 Revenue +8.234%。

5. 技术价值与不足

OneReason 的主要价值在于，它把 LLM 中的推理范式改造成了适合推荐系统的形式。它没有简单照搬“让模型多想几步”，而是先解决 item token 的语义感知，再设计推荐专用的压缩与转移推理链，最后用面向推荐命中的 RL 对 thinking 模式进行强化。

不过，该方法也存在成本和工程复杂度。首先，构造高质量 CoT、关系数据和兴趣演化数据依赖强 LLM 与大量规则过滤。其次，thinking 推理本身带来更高延迟，因此线上需要近线部署或蒸馏到快速模型。最后，论文虽然发现 CoT 监督能提升 non-thinking，但还不能严格区分收益来自“信息压缩”还是“真正推理”。

OneReason 的核心思想是：推荐模型要想真正“推理”，必须先能看懂 item token，再能把用户历史压缩成可操作的兴趣状态，并通过结构化 CoT 判断兴趣转移。简言之，OneReason 证明了推荐系统中的 reasoning 不能靠简单生成解释获得，而需要“语义对齐 + 结构化认知 + 推荐目标强化”三者共同作用。