Condé Nast 如何用 Amazon Bedrock 构建多模态视频发现方案
Condé Nast 联合 AWS Generative AI Innovation Center，基于 Amazon Bedrock 和 Amazon OpenSearch Service 构建多模态视频发现方案，采用 TwelveLabs Marengo embedding 模型对视频转录、视觉与音频信号联合编码，将单次内容发现耗时从平均 250 分钟降至 2 分钟以内。
#RAG
#RAG
今日 2 条AWS Machine Learning BlogAI 评分4444 AWS Machine Learning BlogAI 评分4444 用 Amazon Quick 和 Amazon Bedrock AgentCore 构建 AI 合同智能平台
AWS 分享了基于 Amazon Quick 和 Amazon Bedrock AgentCore 构建合同智能平台的架构，用结构化提取替代 RAG 语义检索来回答跨数百份合同的聚合类问题。
AWS Machine Learning BlogAI 评分3434 Datacor 如何用 Amazon Quick Sight 构建自助式租赁分析
Datacor 将 Amazon Quick Sight 嵌入 TrackAbout，为工业气体与焊接分销商构建了自助式租赁分析方案，业务用户无需 IT 介入即可用自然语言查询租赁数据。
AWS Machine Learning BlogAI 评分4444 HEMA 如何用 MCP 和 Amazon Bedrock 打破内部知识孤岛
荷兰零售商 HEMA 基于 Amazon Bedrock AgentCore 和 MCP 构建内部 AI 助手 HAL，将分散在各门户、wiki 中的碎片化知识整合为统一知识层，让工程师在 IDE 或聊天窗口内几秒内获得答案，取代过去跨三四个门户查找的流程。
GitHub Blog · AI & MLAI 评分2222 GitHub Podcast 拆解 AI 热门观点：该不该读 AI 生成的代码、RAG 是否已死、Skills 是否杀死了 MCP
GitHub Podcast 最新一期拆解了五个 AI 热门观点：AI 生成的代码仍需阅读和负责，只是审查力度应按风险分级；Skills 与 MCP 解决不同问题，前者是打包的团队经验，后者是智能体连接工具与数据的标准，可组合使用；RAG 并未消亡，它让模型基于训练数据外的文档、内部知识和代码库上下文作答，避免浪费 token 并减少不完整回答。
Hugging Face BlogAI 评分5656 Hugging Face 发布 NeoMME 多模态多语言编码器
Hugging Face 发布 NeoMME，一个 260M 和 800M 两种规格的多模态多语言编码器家族，用单个双向 Transformer 同时处理文本 token 和原始图像 patch，从零以掩码离散扩散目标训练，不依赖预训练视觉塔或因果语言模型。
Hugging Face Blog精选AI 评分6262 Hugging Face 发布 funes：为编码智能体提供可自有的持久记忆层
Hugging Face 发布开源工具 funes，为 Claude Code、Codex、pi、Hermes 等编码智能体提供本地持久记忆层，一条命令即可安装并自动索引每轮对话。
推荐理由：原文说明了本地索引与可迁移数据集的设计取舍，读者可据此判断它与托管记忆服务的差异。
Hugging Face Blog精选AI 评分6161 Sentence Transformers v6.0 教你训练与微调多向量嵌入模型
Hugging Face 官方博客介绍 Sentence Transformers v6.0 新增的 MultiVectorEncoder 模型类型及其完整训练方法，用于 ColBERT 式后期交互检索。
推荐理由：原文给出可复现的完整训练脚本与关键超参取舍，读者可据此在消费级 GPU 上自建领域多向量检索模型。
Hugging Face Blog精选AI 评分6262 Hugging Face 解析 Papers with Code 混合搜索的架构与实践
Hugging Face 官方博客介绍其为 Papers with Code 复兴构建的混合搜索系统：PostgreSQL 全文检索提供词法基线，pgvector 加语义召回，再用 RRF 融合排序，目前维护超过 110,000 篇来自 arXiv 和 Daily Papers 的论文向量。
推荐理由：文章拆解了离线批量与在线查询两条路径的分工方式，以及冷启动降级到全文检索的兜底设计，可迁移性强。
Mistral AI精选AI 评分7171 Mistral 发布 Agentic Search 检索层，FinanceBench 准确率从 26.7% 升至 86%
Mistral 发布 Agentic Search，一个让模型在多步检索循环中查找、检查和验证信息的检索层，通过 Mistral Search Toolkit 提供，并内置于 Studio 和 Vibe 的 Libraries 中。
推荐理由：Mistral 公开了 Agentic Search 的检索循环设计与 FinanceBench、OfficeQA Pro 基准数据，可对比传统 RAG 的差距。
Hugging Face Blog精选AI 评分7474 Sentence Transformers v6.0 新增 MultiVectorEncoder 支持 ColBERT 式晚期交互检索
Sentence Transformers v6.0 新增第四种模型类型 MultiVectorEncoder，用同一套 API 加载 PyLate、Stanford-NLP ColBERT 和 colpali-engine 检查点，支持 ColBERT 式晚期交互检索。
推荐理由：原文给出索引体积代价的具体数据和四种向量库的实测耗时，读者可据此评估落地成本。
Google ResearchAI 评分5959 Google Research 论文揭示推理如何唤醒 LLM 参数化知识
Google Research 将在 COLM 2026 发表的论文指出，即使对简单单跳事实问题，开启推理也能召回关闭推理时几乎无法得到的答案。
Mistral AI精选AI 评分6262 Mistral 发布 OCR 4 文档解析模型
Mistral 发布 Mistral OCR 4 文档解析模型，除提取文本外还返回 bounding boxes、块类型分类和逐页逐词置信度分数，支持 170 种语言、10 个语系，可单容器自托管部署。
推荐理由：原文给出基准分数与已知评分缺陷的对照，读者可据此判断该模型在真实文档场景中的可用边界。
Google ResearchAI 评分5555 Gemini Enterprise Agent Platform 推出 Agentic RAG 公开预览
Google 宣布 Gemini Enterprise Agent Platform 托管版 Cross-Corpus Retrieval（由 Agentic RAG 驱动）进入公开预览，通过规划、改写、路由等多智能体协作处理多源多跳查询。
Mistral AIAI 评分5656 Mistral AI 开源发布 Search Toolkit 公开预览版
Mistral AI 宣布以公开预览形式发布开源框架 Search Toolkit，把数据摄取、检索和评测整合进统一接口，覆盖云端、本地和边缘部署。其内置 BM25 稀疏检索、稠密向量检索与混合配置，以及 recall、precision、MRR、NDCG 等评测指标；Agent 可通过 MCP Connectors 从 CRM、代码仓库等源系统拉取实时数据。
Google ResearchAI 评分5656 Google Research 论文评测 6 个 LLM 回答超导研究专家问题
Google Research 与 Cornell University 合作在 PNAS 发表论文，用 67 道高温超导专家问题评测 6 个 LLM（GPT-4o、Perplexity、Claude 3.5、Gemini Advanced Pro 1.5、NotebookLM 及自建 RAG 系统），由专家按 0-2 分六项指标盲评。
Google ResearchAI 评分5959 Google Research 发布 Groundsource：用 Gemini 将新闻报道转为历史灾害数据
Google Research 发布 Groundsource，一个用 Gemini 把非结构化新闻报道转化为结构化历史数据的可扩展框架，首个开放数据集覆盖 150 多个国家、2000 年至今的 260 万条城市山洪事件记录。
Mistral AIAI 评分5555 Mistral AI 发布代码嵌入模型 Codestral Embed
Mistral AI 发布首个面向代码的嵌入模型 Codestral Embed，称其在真实代码数据检索上显著优于 Voyage Code 3、Cohere Embed v4.0 和 OpenAI 的大型嵌入模型。
Mistral AIAI 评分3838 Mistral AI：用 LLM as a Judge 评估 RAG 系统
Mistral AI 介绍了用 LLM as a Judge 评估 RAG 系统的方法：由一个 judge LLM 按数值、二元或定性量表给 generator LLM 的答案打分，并在评测数据集上取平均得到总分。