传统检索系统通常先从海量商品集合中筛选候选，再交给排序和竞价模块处理。近年来，大语言模型被用于查询扩展、数据合成和检索反馈训练，但生成模型主要服务于查询侧增强，最终的查询与商品匹配仍由下游检索器完成。论文提出 CoGR，尝试把生成式能力直接放到匹配两端，让查询和商品共同构造可检索的表示。
两侧生成关键词
CoGR 的核心做法是：查询侧和商品侧各自使用一个生成器，生成一组紧凑关键词，再通过倒排索引直接完成匹配。这样既利用了大语言模型对文本语义的建模能力，也保留了现有关键词检索基础设施的兼容性。论文强调，生成器输出的不是面向下游排序的复杂表示，而是可以进入倒排索引的关键词集合，因此系统设计仍然贴近成熟的稀疏检索流程。
训练分为两个阶段。首先进行监督微调，建立两侧相互对齐的关键词空间；随后进行共同进化的强化学习。查询侧和商品侧生成器交替更新，每次使用对侧冻结的索引，并通过 GRPO 进行优化。两侧共享同一个查询到商品的检索 F_1 目标，但奖励形式不同：查询侧直接获得检索 F_1，商品侧则获得反事实边际奖励，用来衡量其生成关键词对查询侧 F_1 变化的贡献。
实验与适用范围
论文在一个内部 APP Marketplace 数据集和公开 WANDS 基准上进行评估，并与 10 个具有代表性的稀疏、密集和生成式基线比较。摘要显示，CoGR 在两个数据集上都取得了最佳表现，并且在 F_1 指标上超过最强基线，但材料没有给出具体提升幅度。这个结果支持了一个明确方向：生成式检索并不一定只能改写查询，也可以直接参与两侧表示的构造和优化。
我的判断
CoGR 的价值主要在于把生成模型与倒排索引结合起来，降低了生成式方案对现有检索基础设施的改造要求；查询侧和商品侧共同训练，也比单独优化查询扩展更完整。不过，它依赖两侧生成关键词能够形成稳定、可对齐的空间，强化学习过程还需要反复使用对侧冻结索引，工程复杂度和训练成本仍需具体评估。现有材料也不足以判断其在更大规模商品库、动态内容或不同业务目标下的表现。因此，CoGR 更像是对现有关键词检索架构的一种增强路径，而不是对所有检索场景的通用替代。