用 Amazon Quick 和 Amazon Bedrock AgentCore 构建 AI 合同智能平台
基于 Amazon Quick 与 Amazon Bedrock AgentCore 的合同智能平台，用 AI 智能体从合同 PDF 中提取 8 个关键字段并独立校验，签名识别分歧由 Amazon Textract 裁定，结果存入 Amazon Aurora PostgreSQL。
#RAG
#RAG
今日 1 条9月30日
9月29日
Condé Nast 如何用 Amazon Bedrock 构建多模态视频检索
Condé Nast 与 AWS 生成式 AI 创新中心（GenAIIC）合作，基于 Amazon Bedrock 和 Amazon OpenSearch Service 构建多模态视频检索方案，并选用 TwelveLabs Marengo 嵌入模型联合编码画面、音频与转录文本。
9月26日
NarrateAI：在 Amazon Bedrock 上实现生产级 LLM 质量保障
NarrateAI 在 Amazon Bedrock 上通过五项技术实现约 99% 的数值准确率并实时流式返回响应，服务超过 4000 名 AWS 高管。这五项技术分别是自适应流水线编排、跨账户多模型故障转移、实时流式评估、复合评估框架和数据准确性验证，其中约 90% 的查询走单次快速路径，仅约 10% 走并行批处理路径。
9月25日
Datacor 如何用 Amazon Quick Sight 构建自助式租赁分析
Datacor 将 Amazon Quick Sight 嵌入 TrackAbout 解决方案，为工业气体与焊接分销商提供交互式仪表盘和自然语言搜索，业务用户无需提 IT 工单即可查询租赁数据。
9月18日
GitHub Podcast 拆解五大 AI 热梗：该不该读 AI 代码、RAG 已死、Skills 杀死 MCP？
GitHub Podcast 最新一期拆解了五个 AI 开发热梗：AI 生成的代码仍需阅读和负责，但审查力度应按风险分级；Skills 与 MCP 解决的是不同问题，前者是打包的团队经验，后者是连接工具与数据的标准接口，二者可组合使用。RAG 并未消亡，它为模型提供训练数据之外的相关信息，与 Agent、Skills、MCP 可共存于同一工作流。
9月16日
Google Research 提出 Retrieve-for-Train：用 RL 编译扩散模型加速 AI 搜索查询扇出
Google Research 提出 Retrieve-for-Train 框架，通过离线强化学习发现奖励对齐的查询扇出并编译为监督信号，再蒸馏进一个 53.9M 参数的扩散检索器，实现推理时单次非自回归的查询扇出，无需生成 CoT 推理 token。
9月3日
Hugging Face 发布 NeoMME：260M/800M 多模态多语言编码器
Hugging Face 推出 NeoMME 系列多模态多语言编码器，含 260M 和 800M 两个规模，用单个双向 Transformer 同时处理文本 token 与 32×32 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。
8月26日
用 Sentence Transformers 训练与微调多向量嵌入模型
Sentence Transformers v6.0 新增第四种模型类型 MultiVectorEncoder，用于 ColBERT 式后期交互检索，并配套完整训练方案。
8月21日
Hugging Face Inference Endpoints、Jobs 与 Buckets 如何支撑 Papers with Code 的搜索
Papers with Code 的论文搜索采用混合检索架构，由 Hugging Face Jobs 批量生成嵌入向量、Storage Buckets 做持久化中转、Inference Endpoints 提供在线查询的低延迟嵌入，目前覆盖 arXiv 与 Daily Papers 的逾 11 万篇论文。
8月20日
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、检视并核实信息的检索层，通过 Mistral Search Toolkit 提供，并内置于 Studio 和 Vibe 的 Libraries 中。
8月18日
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，用于 ColBERT 式晚期交互检索，可直接加载 PyLate、Stanford-NLP ColBERT 检查点以及 colpali-engine 的视觉文档检索模型。
6月23日
Mistral 发布 OCR 4 文档解析模型
Mistral 发布 OCR 4，在提取文本之外返回边界框、块类型分类和逐页逐词置信度，支持 170 种语言并可单容器自托管部署。官方称独立标注者在 600 多份文档的盲评中平均 72% 更偏好 OCR 4，其在 OlmOCRBench 得 85.20、OmniDocBench 得 93.07，但官方提示这两个基准的评分方式存在已知局限。
6月5日
Google 在 Gemini Enterprise Agent Platform 上线 Agentic RAG 版跨语料检索
Google 在 Gemini Enterprise Agent Platform 上推出由 Agentic RAG 驱动的跨语料检索公开预览版，通过 Orchestrator、Planner、Query Rewriter、Search Fanout 和 Sufficient Context Agent 等角色协作处理多源多跳查询。
5月28日
Mistral AI 发布 Search Toolkit 公开预览版
Mistral AI 发布 Search Toolkit 公开预览版，这是一个用于构建 AI 应用生产级搜索管线的可组合框架，把摄取、检索和评估整合到共享接口的单一框架中，开源且可部署在云、本地或边缘。
3月17日
Google 在 PNAS 发表研究：用高温超导问题测试 LLM 世界模型
Google 与康奈尔大学合作在 PNAS 发表研究，让 GPT-4o、Perplexity、Claude 3.5、Gemini Advanced Pro 1.5、NotebookLM 和一套自建 RAG 系统回答 67 道高温超导专家级问题，由 12 位国际专家按平衡性、全面性、简洁性、证据、图像相关性和定性反馈六项指标盲评打分。
5月28日
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，在真实代码检索任务上表现优于 Voyage Code 3、Cohere Embed v4.0 和 OpenAI 的大型嵌入模型。
5月27日
Mistral AI 发布 Agents API，内置连接器与多智能体编排
Mistral AI 发布 Agents API，将自家语言模型与代码执行、图像生成、文档库、网页搜索等内置连接器以及 MCP 工具结合，并提供跨对话的持久记忆与智能体编排能力。
4月9日
Mistral 如何用 LLM as a Judge 评估 RAG 系统
Mistral 提出用 LLM as a Judge 评估 RAG 系统，由 judge LLM 按数值、二元或定性量表为 generator LLM 的回答打分，再对评测数据集取加权平均。
3月7日
Mistral 发布文档理解 OCR API mistral-ocr-latest
Mistral AI 推出光学字符识别 API Mistral OCR，可读取图片和 PDF，按顺序交错输出文本与图像，并已作为 Le Chat 上数百万用户的默认文档理解模型。