#搜索.

AI 导读IskayPet在西班牙、葡萄牙和法国运营330多家门店，面临跨四语言、三国家的企业知识管理挑战。他们使用Amazon Bedrock Managed Knowledge Bases构建企业知识助手，无需管理RAG基础设施，通过SharePoint连接器直接利用现有文档，支持混合搜索和文档级访问控制，将查找操作时间从3-5分钟缩短至7秒，预计每月可处理10万次查询。

AI 选稿理由展示了企业级知识管理系统的实际部署成果，包括多语言支持、权限控制和性能提升的具体数据。

AI 导读前摩根大通能源衍生品交易员Anekha Sokhal创立Moshi，开发了一个实时处理海量市场数据的推荐引擎，帮助交易员快速获取与投资组合相关的关键信息。该系统整合结构化数据、基本面数据、新闻和替代数据，并通过推荐系统连接相关信息点，类似于Bloomberg、Claude和Netflix的结合体。

AI 导读论文提出把多模态重排序视为“系统一”式单选决策：让通用 VLM 对第一阶段检索的前 16 个候选做一次单选，排序依据是单次前向计算中候选项标签的概率。在 MMEB-V2 图像检索上，该做法比逐候选是/否提问高 5.4–7.3 hit@1。零样本 Qwen3.8-27B 在三个基准上超过监督式 Qwen3-VL-Reranker-2B，并在每个基准上距 Reranker-8B 不超过 1.6 分；其延迟为后者的 1.1–1.5 倍。作者也指出，模型规模和代际差异会混淆对比结果。

AI 选稿理由给出可复用的多模态重排序方法及 MMEB-V2 等基准的具体增益与延迟数据，并说明模型规模与代际差异会影响对比结论。

AI 导读AWS推出Agent Registry服务，解决企业系统中大量API导致的工具管理难题。该服务允许代理在运行时通过语义搜索发现相关工具和代理，无需硬编码或重新部署。系统包含注册、发现、实例化和执行四个步骤，支持MCP服务器和A2A代理，已在订单管理场景中验证。

AI 选稿理由解决了企业系统中大量API导致的工具管理瓶颈，使新工具集成无需代码变更和重新部署，大幅提升开发效率。

AI 导读本期主线包括：MiniMax M3.1 Flash 面向 Agent 与编码任务，称在线推理快近三倍、使用成本降 70%，权重后续开放；Inception Labs 的扩散语言模型 Mercury 3 称在多项基准上超过 GPT-6 Luna 与 Claude Haiku 5.5，生成速度超每秒 1000 token；Cloudflare 介绍不生成 token 的抽取模型 Clairic，输出带置信分数。工程侧，Meta 披露千兆瓦级 Prometheus 超算集群与“薄编排器”Agent 路由架构；PyTorch 原生后端 TorchNeuron 与 vLLM 推式 KV 传输分别面向 Trainium 和分离式推理。此外还有 Exa 3.0 搜索、OpenAI 改进 COBOL 等老旧语言编码、Anthropic 据称再谈 450 亿美元算力交易等条目。

AI 选稿理由合集内 MiniMax M3.1 Flash 的成本与速度数据、Mercury 3 的扩散模型基准结果、Clairic 的非生成式抽取方法均属可复用新事实，但均需按厂商自报口径看待。

AI 导读针对大型语言模型（LLM）代理在未知和动态环境中需要主动探索、理解和适应环境动态的问题，研究人员提出了AdaExploreBench，一个用于评估主动探索和测试时自适应能力的基准。实验表明，主动和自适应的探索仍然具有挑战性，当前LLM代理在获取正确证据和识别先前获取的证据不再有效方面存在瓶颈。

AI 选稿理由解决了LLM代理在动态环境中主动获取证据和适应环境变化的瓶颈，有助于提升LLM代理在复杂环境中的表现。

AI 导读NVIDIA与欧洲广播联盟(EBU)合作扩展主权媒体框架，整合云服务、开放模型和集成商，确保广播机构数据主权和安全。Adobe Frame.io采用NVIDIA GPU加速技术，使德国UFA公司视频搜索速度提升5倍，处理效率提高4倍，帮助编辑快速查找15年前的视频片段。

AI 选稿理由解决了媒体行业大规模视频内容检索效率低的瓶颈，广播机构和内容制作商可通过AI加速技术实现毫秒级视频搜索，大幅提升内容制作效率。

AI 导读研究团队推出OpenDS任务和OpenDS-World基准，评估AI代理在真实开放网络环境中进行多步骤深度搜索的能力。该基准包含200个挑战性任务，涵盖多种信息模态、异构文件格式和交互访问要求。评估显示，最佳模型准确率为39.0%，而人类评估准确率为21.1%。研究揭示了模型在工具协调和长程搜索管理方面的持续挑战。

AI 选稿理由OpenDS-World提供了首个系统评估AI代理在真实开放网络环境中自主深度搜索能力的统一平台，包含200个多模态、异构格式的挑战任务，并揭示了当前模型在工具协调和长程搜索管理方面的显著差距。

AI 导读评估软件代理在完整基准上的成本高昂。小任务子集可以保留代理排名，但会得到不准确的成绩。历史响应提供了有用的结构，但具有相同源响应的任务对于新目标代理可能会有不同的结果。本文介绍了分层分数后验恢复（HSPR），它结合了源拟合响应因素和不确定的群体成功率。观察到的目标结果更新了目标潜在状态和群体率的后验；后验引导的获取选择后续任务。其基于分数的标准等于预期的一步减少全分数后验方差。观察到的成功和未查询任务的先验预测计数产生了全分数后验。最终估计使用其中位数与源选择的校准。在SWE-bench家族的四个任务库的10%任务预算下，HSPR在三个库中实现了最低的平均绝对误差（MAE），在所有四个库中实现了最低的最大绝对误差（MaxErr）。移除群体不确定性或替换自适应查询会增加相应控制中的宏MAE。随着预算的5-20%增加，宏MAE下降。

AI 选稿理由HSPR通过分层后验推理提高了软件代理基准分数的评估效率，降低了评估成本，适用于需要高效评估软件代理的场景。