用最小代码跑通阿里OneRec推荐模型，快速上手统一召回排序
MiniOneRec 是一个精简复刻 OneRec 的开源项目，OneRec 是阿里巴巴推出的统一推荐模型，旨在解决推荐系统中多阶段任务（召回、排序、重排）割裂的问题。MiniOneRec 用 Python 实现了 OneRec 的核心架构，包括特征工程、模型训练和推理流程，让开发者能够快速理解和上手这一先进推荐算法。它提供了清晰的代码结构和示例数据，降低了学习门槛，同时保持了模型的可扩展性，方便研究者在此基础上进行二次开发和实验。项目解决了从论文到代码的落地难题，帮助推荐系统从业者快速验证和部署统一推荐模型。
1克隆仓库
从 GitHub 拉取 MiniOneRec 源码并进入项目目录，后续命令都在该目录下执行。
git clone https://github.com/AkaliKong/MiniOneRec.git
cd MiniOneRec2创建conda环境
用 Python 3.11 新建名为 MiniOneRec 的独立环境并激活，避免与系统 Python 冲突。
conda create -n MiniOneRec python=3.11 -y
conda activate MiniOneRec3安装依赖
按仓库提供的 requirements.txt 安装全部 Python 依赖，建议在网络稳定时执行。
pip install -r requirements.txt4运行评估脚本
执行仓库自带的 evaluate.sh 完成评测流程；README 说明使用官方提供的预训练 SID 可快速开始。
bash evaluate.sh评估脚本正常跑完且日志中 CC 指标为 0，说明约束解码生效、结果可信。
Q：需要多少 GPU 才能复现？
A：README 明确说明复现需要 4~8 张 A100/H100 GPU，单卡很难完成完整复现。
Q：评估日志里 CC 指标非 0 是什么问题？
A：说明模型仍在大量生成无效 item，约束解码未成功，可能与 transformers 等依赖版本不一致有关，可参考 calc.py 排查。
Q：有没有预训练权重可以直接用？
A：有，官方在 Huggingface（kkknight/MiniOneRec）和 ModelScope 上发布了预训练模型，可配合官方提供的 Industrial/Office SID 快速开始。
Q：安装依赖失败怎么办？
A：先确认已激活 Python 3.11 的 MiniOneRec 环境，再检查网络与 pip 源；README 未提供其它安装方式，不建议自行替换包版本。
DeepCTR、FuxiCTR、RecBole
MiniOneRec 是开源模型领域的开源项目，由 AkaliKong 开发，2025 年首次发布。
在全站 13,014 个收录项目中，它的 GitHub 星标数（1,841）位列前 30%，在开源模型分类中处于中上游。
近 42 天，它的 GitHub 星标从 1,739 增加到 1,841，净增 102。
项目保持着较活跃的维护节奏，最近一次代码更新于 2026-09-23。Apache-2.0许可证，可自由使用和部署，无付费版本。
它主要面向的使用场景是：推荐系统研究者快速验证OneRec算法效果。同类可对比的替代方案包括 DeepCTR、FuxiCTR、RecBole。
上一篇：LongWriter
下一篇：ModernBERT
Machine-Learning
开源
跟着博客笔记，边看边跑机器学习代码
All content related to machine learning from my blog
awesome-claude-fable-5-prompt-va···
开源
一站式掌握 Claude Fable 5 玩法，快速选型不踩坑
Ultimate Claude Fable 5 Guide 2026: Use Cases, Integrations & Benchmarks
Diffusion-Models-Papers-Survey-T···
开源
学视频生成怕绕路？这份资料库帮你理清
Diffusion model papers, survey, and taxonomy
CoreML-Models
开源
下载即用的苹果端 AI 模型库，免去转换烦恼
Core ML model zoo for iOS/macOS — PyTorch models converted to ready-to-use .mlpacka···