Topic Timeline
#检索
这个主题在过往早报中的出现记录。深度条目直达研究报告，其余条目回到当日 edition。
- 行业动态2026-07-23 · 周四重要度 4/5深度报告 →
OpenAI 汇总新闻业 AI 案例，聚焦核验与检索
OpenAI 于 7 月 22 日汇总新闻机构在资料核验、档案检索、翻译、音频、读者产品和广告销售中的 AI 案例。文章不是新模型或 API 发布。
- 案例重心已从自动写稿转向高摩擦工作流和历史资产再利用。
- 证据主要来自 OpenAI 与合作机构自述，不能把效率案例外推为行业普遍结果。
- 研究论文2026-06-24 · 周三重要度 2/5
KaLM-Reranker-V1:解耦 query 与 passage 计算的「快但非延迟交互」重排器
多数重排器把 query 与 passage 联合编码,计算紧耦合、部署不灵活。KaLM-Reranker-V1 提出『Fast but Not Late-interaction(FBNL)』:基于 encoder-decoder,用 encoder 配 Matryoshka 池化预先编码 passage,decoder 建模指令与查询意图,再用 cross-attention 捕捉相关性。提供 Nano/Small/Large 三档(0.27B/1B/4B 激活参数),在 BEIR 上达 SOTA、与 Qwen3-Reranker 系列持平,同时效率更优。
- 重排器一直在两难之间:联合编码(cross-encoder)精度高但每次都要 query×passage 重算、无法预计算
- 延迟交互(late interaction，如 ColBERT)能预存 passage 但相关性建模较弱。
- 研究论文2026-06-24 · 周三重要度 2/5
EvoEmbedding:会随上下文「进化」的向量表征,为长上下文检索与 agent 记忆而生
现有 embedding 模型本质是静态的——孤立编码文本片段,忽略上下文和时序。EvoEmbedding 在顺序处理输入时维护一个持续更新的隐式记忆,与原始内容联合生成『可进化表征』:同一个查询会随上下文演化而检索到不同目标,超越静态语义搜索。配套 EvoTrain-180K 数据集与防表征坍缩的记忆队列,在多个长上下文检索基准上超过 Qwen3-Embedding-8B、KaLM-Embedding-Gemma3-12B 等更大模型。
- 这触及了 RAG 与 agent 记忆一个被默认忽略的假设:检索的『相关性』其实是随状态变化的。
- 同一句查询,在对话第 2 轮和第 20 轮该召回的东西可能完全不同——静态 embedding 做不到这点。