在推荐系统领域，生成式模型近年来取得了显著的性能提升，但其在实践中的应用仍面临一个关键挑战：推荐系统通常需要生成有序的物品列表（即推荐列表），而这些列表必须同时满足多个目标，除了传统的相关性之外，还可能涉及物品属性的约束（如类别多样性）或公平性要求（如曝光均衡）。现有的多目标解决方案主要分为两类：一类是依赖于为非生成式推荐系统设计的后处理技术，这类方法未能充分考虑生成式模型逐序列生成物品的固有特性；另一类则是将辅助目标直接融入模型训练过程中，但这种方法在大规模系统中往往计算成本高昂且难以部署。
针对这一痛点，来自学术界的研究团队提出了一种轻量级的推理时解码层，旨在增强自回归生成式推荐系统的多目标建模能力，而无需对底层模型进行任何修改或重新训练。该方法的核心思想是将解码过程重新形式化为一个在线约束优化问题：在每一步物品选择时，系统不仅考虑相关性得分，还会根据剩余约束松弛量——即每个辅助目标仍需满足的程度——动态调整相关性目标与辅助目标之间的权衡。具体而言，实现采用了随机原对偶近似方案，在生成过程中实时平衡相关性与辅助目标（如多样性或公平性），从而在无需额外训练的情况下实现多目标推荐列表的生成。
除了方法本身的创新，论文还提供了严格的理论保证，包括约束违反和遗憾（regret）的上界分析，确保了算法在在线环境下的收敛性和稳定性。在实验评估方面，团队进行了大规模的离线实验以及一个真实世界推荐系统的在线A/B测试。结果表明，该方法在多目标权衡上取得了一致且显著的改进：在不牺牲用户满意度的前提下，辅助目标（如物品多样性或曝光公平性）实现了1.8%的提升。这一成果对于工业界推荐系统的多目标优化具有重要的实用价值，因为它提供了一种即插即用的轻量化解决方案，能够快速适配现有的生成式推荐系统，同时降低部署成本和技术风险。