RAG 与检索

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。

arXiv 新论文提出 DeepStress，用可控合成环境替代检索模块，系统考察搜索智能体面对低质量证据时的稳健性。研究聚焦可信度、相关性与事实性三类风险，显示不同智能体对不可靠信息的处理能力差异明显。