MiniOneRec

用最小代码跑通阿里OneRec推荐模型，快速上手统一召回排序

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署开源模型 🍴 复刻 290 🐛 待处理 32

GitHub ↗

GitHub 星标 ★ 1959

维护状态活跃

是否开源开源

定价模式 🏷️完全免费开源项目，Apache-2.0许可证，可自由使用和部署，无付费版本。

项目预览

项目数据

分类开源模型

开发团队AkaliKong

GitHubhttps://github.com/AkaliKong/MiniOneRec

定价模式🏷️完全免费

价格说明开源项目，Apache-2.0许可证，可自由使用和部署，无付费版本。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型generative-ai,generative-recommendation,generative-recommenders,large-language-model,large-language-models,llm,recommendation,recommendation-system,recommender-system,scaling-laws

GitHub 星标★ 1959

上线时间2025-10-21 00:00:00

代码更新2026-11-06

仓库体积45.4 MB

本站数据更新2026-11-08

维护状态活跃

收录时间2026-08-09

浏览次数4

项目介绍

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。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 1959

技术标签

generative-ai large-language-model large-language-models llm recommendation

使用教程

ℹ 本教程由 AI 依据该项目 README 整理，个别步骤可能需要按你的环境微调。

难度：高级约 60 分钟部署方式：本地安装 4 步

环境要求

Python 3.11（README 使用 conda 创建）
conda 环境管理工具
已安装 git
4~8 张 A100/H100 GPU（复现所需）
能访问 GitHub 与依赖源

安装与启动步骤

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 MiniOneRec
```
2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 MiniOneRec
```
3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.txt
```
4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
```