RAG 与检索

一项针对语音问答的研究发现，实体图链接与迭代式查询改写虽然能提升多跳 RAG 的绝对效果，却可能放大上游语音识别错误。真正脆弱的环节，往往不是生成，而是被识别错误污染的查询实体。

由Accel领投、获得2600万美元种子轮融资的Keenable正式结束隐身模式，目标是为AI代理建立面向全网的信息检索系统。公司称其索引已覆盖超过1000亿份文档，并开始向AI实验室和推理服务商提供API。

Amazon DynamoDB 开始支持原生向量搜索，开发者可以把嵌入向量与业务数据放在同一张表中，并直接执行近似最近邻查询。它降低了 AI 应用的数据同步复杂度，但并不意味着独立向量数据库会立即退出市场。

一篇新研究提出 IAR 框架，试图让语言模型在推理时不接收检索片段，也能回答固定文档集合中的问题。它将文档注入、问答对齐和通用能力恢复分开处理，以缓解领域能力与通用能力之间的冲突。

Google允许出版商在网站上嵌入“首选来源”按钮，让读者主动选择希望在搜索、Discover和Google News中优先看到的媒体。此举既是用户体验功能，也反映出AI搜索减少传统网页点击后，Google对内容生态压力的回应。

RAG 投毒攻击可能让模型在错误信息面前表现得更加自信，传统基于困惑度和一致性的检测因此容易失效。论文提出 D-SCAN，通过监测生成过程中的文档级注意力熵变化识别潜在攻击。

Shopify在二季度财报电话会上表示，AI搜索正在为商家带来更多访问和订单，并未像出版业那样吞噬传统搜索流量。公司称，AI来源的流量和订单同比增长至三倍。

Alibaba-NLP 提出的 UEmbed 试图用一个 decoder-only 多模态模型同时生成稀疏词法表示与稠密向量。它面向搜索、RAG 与多模态检索场景，核心价值在于减少两套检索表示之间的割裂。

DeepVoyager-VL 试图把多模态搜索从“看图回答”推进到“边看、边查、边推理”的长程智能体流程。它强调视觉证据不应只出现在输入或最终答案阶段，而应持续驱动后续检索与决策。

Reddit CEO Steve Huffman在财报沟通中把矛头指向Google AI Overviews，认为它尚未像传统搜索链接那样为开放网络创造足够回报。尽管Reddit业绩优于预期，搜索流量波动仍引发投资者担忧。

一项针对 RAG 检索范式的规模化对比研究显示，随着语料库变大，传统词法检索 BM25 反而成为更稳健的默认选择。研究强调，Agent 式探索并非无效，但更适合建立在排序检索之后，而不是替代全局候选排序。

Similarweb 数据显示，Google AI Overviews 在搜索中的出现比例一年内从 15% 升至 43%。这意味着 AI 生成答案正从附加功能变成搜索体验的核心层。

LAMAR 是一个面向多语种检索增强生成的语言感知重排模型，试图解决现有重排器只看语义相关性、却不稳定考虑查询与文档语言一致性的问题。

The Vergecast 讨论了“Google Zero”正在成为出版商和网站无法回避的问题：搜索引擎不再像过去那样稳定回流流量，而AI摘要和训练数据需求正在重写网络生态的交换规则。

这篇论文关注一个被 RAG 和 AI Agent 放大的问题：搜索结果不是给人逐条浏览，而是交给模型生成答案时，真正重要的是一组文档能否共同支撑任务。

AutoIndex 提出了一种面向检索系统的新思路：不急着改检索器或重排器，而是学习一套可执行的文档表示程序，在索引前自动改造文档。论文在 CRUMB 基准上固定使用 BM25，仍在 8 个任务中取得了稳定提升。

RAGU 提出一种更工程化的 GraphRAG 路线：把知识抽取和图谱整合拆开，并用面向 RAG 任务微调的 7B 模型 Meno-Lite-0.1 降低构图成本。

SearchOS-V1 试图解决长程开放域搜索中 Agent 容易遗忘进度、重复检索和浪费预算的问题。它用显式状态、证据图和失败记忆组织多 Agent 协作，让信息收集更可控、可追踪。

GRASP 试图解决 Agentic RAG 中“何时搜、用什么搜、读多细”的关键决策问题。它通过强化学习训练代理在语义搜索、关键词搜索与段落阅读之间动态切换，以提升多跳问答中的证据召回和回答质量。

NVIDIA 在 Hugging Face 发布 Nemotron 3 Embed 系列，主打企业级 RAG、代码检索和智能体记忆等场景。其中 8B BF16 版本在 RTEB 排行榜取得第一，1B 版本则强调低成本与高吞吐部署。

一篇 arXiv 论文提出 PAT 系统，尝试把大语言模型从“逐句翻译”推向整篇、语料驱动的语用重写。研究显示，规格约束与可比语料检索确实能促使模型做出更大幅度的篇章 reformulation，但效果仍不稳定。