生成式推荐（GR）在社交媒体平台上通常通过自回归解码离散语义 ID（SID）并使用有限宽度束搜索来检索物品。本文分析了这种输出接口如何限制持出目标进入有限返回列表的可能性，并区分了全目录可打分性与经验 Top‑K 支持之间的差异。我们提出了两种连续查询范式：CQG‑Single 在一次前向传播中生成单一检索查询，CQG‑AR 则自回归地产生连续残差更新，保留逐步解码的优势，同时去除 SID 项标记词表、代码查找以及离散束扩展。这两种设计消除了有限束解码带来的 SID 可达性约束，并避免了将离散 SID 词表对齐到预训练骨干向量空间的技术难题。所有编码后的物品均可通过密集或近似最近邻检索直接打分。 在统一的有效前缀约束解码协议下，CQG‑Single 在七次实验中均超越了 TIGER 风格基线，并且只使用了 55.3% 的可训练参数。CQG‑AR 在 ML‑1M 数据集上表现相当，在 Beauty 与 Sports 数据集上数值更强。进一步的深度消融实验表明，额外的连续细化并非对浅层准确率单调提升。这些结果表明，在评估生成式推荐系统时，应将输出表示、自回归建模和检索预算解耦。
点评