在推薦系統領域，生成式模型近年來取得了顯著的效能提升，但其在實踐中的應用仍面臨一個關鍵挑戰：推薦系統通常需要生成有序的物品列表（即推薦列表），而這些列表必須同時滿足多個目標，除了傳統的相關性之外，還可能涉及物品屬性的約束（如類別多樣性）或公平性要求（如曝光均衡）。現有的多目標解決方案主要分為兩類：一類是依賴於為非生成式推薦系統設計的後處理技術，這類方法未能充分考慮生成式模型逐序列生成物品的固有特性；另一類則是將輔助目標直接融入模型訓練過程中，但這種方法在大規模系統中往往計算成本高昂且難以部署。
針對這一痛點，來自學術界的研究團隊提出了一種輕量級的推理時解碼層，旨在增強自迴歸生成式推薦系統的多目標建模能力，而無需對底層模型進行任何修改或重新訓練。該方法的核心思想是將解碼過程重新形式化為一個線上約束最佳化問題：在每一步物品選擇時，系統不僅考慮相關性得分，還會根據剩餘約束鬆弛量——即每個輔助目標仍需滿足的程度——動態調整相關性目標與輔助目標之間的權衡。具體而言，實現採用了隨機原對偶近似方案，在生成過程中即時平衡相關性與輔助目標（如多樣性或公平性），從而在無需額外訓練的情況下實現多目標推薦列表的生成。
除了方法本身的創新，論文還提供了嚴格的理論保證，包括約束違反和遺憾（regret）的上界分析，確保了演算法在線上環境下的收斂性和穩定性。在實驗評估方面，團隊進行了大規模的離線實驗以及一個真實世界推薦系統的線上A/B測試。結果表明，該方法在多目標權衡上取得了一致且顯著的改進：在不犧牲使用者滿意度的前提下，輔助目標（如物品多樣性或曝光公平性）實現了1.8%的提升。這一成果對於工業界推薦系統的多目標最佳化具有重要的實用價值，因為它提供了一種即插即用的輕量化解決方案，能夠快速適配現有的生成式推薦系統，同時降低部署成本和技術風險。