xAI 推荐算法增强：从推理优化到多利益相关者强化学习

本项目基于xAI开源推荐算法（Phoenix/Grok），实现两大核心增强：1）基于JAX的Phoenix推理优化（10.3倍加速、58%内存降低）；2）Bradley-Terry多利益相关者偏好学习框架。旨在提升推荐系统的效率与公平性，为研究提供新视角。

2024年初xAI开源推荐系统核心组件（Phoenix模型、Home Mixer编排层、Thunder内存存储等），首次公开大型社交平台推荐机制。但开源代码在推理效率和推荐公平性上存在优化空间。本项目聚焦两个关键维度：通过JAX优化将模型推理速度提升一个数量级，引入多利益相关者强化学习框架平衡用户参与度、平台留存和社会福利。

性能提升成果：JIT编译使单次前向传播从103.8ms降至10.0ms（10.3倍加速）；KV-Cache优化带来9.6倍加速；INT8量化降低内存占用58%（保持约90%的top-3分数一致性）。这些优化对实时推荐至关重要，可转化为成本节省和用户体验提升。

技术实现路径：基于JAX生态，利用JIT编译（@jax.jit装饰器消除Python解释器开销）、KV-Cache机制（缓存键值对避免重复计算）、INT8量化（压缩权重与激活值降低内存带宽需求）。

传统推荐系统以单一目标（如用户点击率）优化，忽视其他利益相关者诉求（平台留存、广告商曝光、社会信息多样性等）。本项目引入Bradley-Terry偏好学习框架，显式建模多维度目标，并基于X平台18种互动行为空间（点赞、回复等）构建合成基准测试。

核心发现：1）损失函数非差异化因素（4种Bradley-Terry损失变体收敛权重余弦相似度>0.92，区分来自训练标签）；2）负面情绪规避参数α可准确恢复（Spearman相关系数=1.0，对≤20%标签噪声和≥250个偏好对鲁棒）；3）隐藏“社会”利益相关者成本是“用户”的10倍，25个隐藏偏好对可降低42%遗憾值；4）帕累托前沿对单权重扰动稳定，但无法承受同时错误设定，数据量超100对后错误设定效用放大。

实验验证：MovieLens-100K数据集NDCG提升59%；构建含648参数的合成Twitter环境用于控制实验。

系统架构：保留xAI开源架构，包括Home Mixer编排层、Thunder内存存储、Phoenix transformer模型、Candidate Pipeline管道框架。增强代码位于enhancements/目录，与原始代码分离。

技术栈：uv包管理器、Makefile标准化流程、Pytest测试套件、Mermaid图表绘制，代码模块涵盖优化、奖励建模、数据适配器等。

研究启示：工程上展示JAX优化在生产级推荐模型的应用；方法论上揭示训练数据比损失函数更重要；治理上提醒公平性需关注数据收集与标注的价值选择。

总结展望：项目提供实用优化代码与多目标优化理论视角，为推荐系统效率、用户满意度与社会责任平衡提供参考，适合开发者与公平性研究者学习。