基于 Qwen3-Embedding 的无标识符代码嵌入模型用于可扩展搜索
研究者通过对比学习微调 Qwen3-Embedding 模型,提出用于二进制逆向工程中源代码与去标识化反编译代码双向关联的无标识符嵌入方案。 该模型在功能关联基线上大幅优于其他模型,并能泛化至未显式训练的常数算法关联任务,提升了大规模代码搜索效率。
研究者通过对比学习微调 Qwen3-Embedding 模型,提出用于二进制逆向工程中源代码与去标识化反编译代码双向关联的无标识符嵌入方案。 该模型在功能关联基线上大幅优于其他模型,并能泛化至未显式训练的常数算法关联任务,提升了大规模代码搜索效率。
研究人员提出 KnowGPO 框架,通过任务相关知识条件对齐轨迹状态,而非依赖表面观察或内部信号。 在 Xbench、BrowseComp-ZH 和 GAIA 实验中,KnowGPO 比 GRPO 及过程监督基线提升 3.8 至 4.2 分。 其 8B 模型性能匹敌或超越多数 32B 开源系统,显著改善长程交互中的信用分配难题。
QREF 提出即插即用的查询精炼器与证据过滤器,解决 DeepSearch 智能体检索噪声与覆盖不足问题。 该方法通过强化学习优化查询重写,在 WebSailor 和 TongyiDeepResearch 基准上平均相对 Pass@1 分别提升 33.55% 和 11.04%。 无需修改原架构或重训推理策略,RL 训练的 QREF 将缺乏判别性检索锚点的查询批次比例降低 95%。
提出视频深度研究智能体 AdaVDR,通过自适应工具使用与反思减少不必要的视频调用。 该方法构建根据任务类型和模型能力过滤工具必要性的数据管线,并设计 NASA-GRPO 奖励机制优化训练。 实验显示 AdaVDR 在 VDR-EE 和 VideoDR 基准上分别比基础模型高 15.20 和 29.00 个百分点。
研究人员提出“懒接地”攻击,利用事实但干扰性的信息使搜索智能体引用邻近证据。 在 12 个模型-基准测试对中,该攻击导致回答准确率平均下降 5.9 个点,最高下降 17.3 个点。 研究结果发表于 EMNLP 2026,代码已公开。
OMEGA 模型将任意 K 值的学习式搜索转化为重复的掩码 top-1 搜索,仅需一个 top-1 模型的预处理成本即可服务多种 K 值。 其核心机制包括轨迹特征泛化、排名置信度分配以及减少模型调用开销的统计预测方法。 在 9 种数据集配置下,OMEGA 达成 0.95 召回率,平均延迟降低 23%,生产环境中相比 HNSW 最多减少 28% 的 CPU 时间。
ScholarQuest 提出一个基于分类学的学术搜索基准,涵盖 1000 多个计算机主题和 4 类研究意图,并构建百万级文献环境 ScholarBase。 其答案集通过多源检索和引用扩展生成,支持多轮评估;智能体方法优于单次检索,但最佳系统 Recall@100 仅 0.312。 研究揭示规划器 token 消耗与召回率无必然正相关,基准和工具链已开源以支持可复现研究。
研究显示 Google AI Overviews 使 Reddit SFW 社区日评论量及活跃用户数分别提升 12.0% 和 12.4%。 这种增长主要集中于基于经验的讨论类型,而非事实性信息。 后续推出的 Google AI Mode 大幅削弱了 AI Overviews 带来的互动增益效果。
SearchMaster 是一个自博弈框架,能让 LLM 搜索 Agent 在本地环境中自行生成、解答并验证任务来训练共享策略,无需人工标注或专家演示。 它通过 ECG、SDR、OOP 三种控制机制过滤无效任务和不合理的搜索行为,并以 GRPO 对提议者与求解者进行联合优化。
提出将高性能 LLM 相关性判断系统蒸馏为高效多模态学生模型的框架,显著降低推理成本并提升吞吐量。 通过人工标注高质量数据集构建 LLM 作为评判者的流水线,生成大规模标签用于训练紧凑模型,性能接近教师系统。 该方法支持在生产环境中部署高质量的相关性预测系统。
提出 Decoupled Search Grounding (DSG) 架构,通过 MCP 兼容网关将搜索与推理模型解耦,实现厂商无关的搜索定位。 在 SimpleQA 基准测试中,DSG 搜索成本降低 91%,延迟降低 68%;在电商工作负载中,搜索成本降低超 98% 且准确率匹敌原生搜索。 该架构消除了原生搜索导致的答案冗长问题,使实时搜索定位成为可优化的接口边界而非固定模型功能。
在护肤品这一难以事前判断质量的品类中,知名品在规格相同时可占据 100% 的 LLM 推荐份额,但竞对仅需 +0.1 星优势即可打破该垄断。 营销话术及伪造临床证据可将偏见盈余推高 +0.17 星;多品牌均优化时,单家收益从 +0.802 跌至 +0.007,不参与品牌零推荐。 提示需将生成式引擎优化(GEO)视为新兴营销实践来研究。
WeGR 提出了统一生成式检索框架,结合 CoCo-VAE 和 DHPO 提升检索与排序性能。 CoCo-VAE 融入协同信号缓解码本坍塌,DHPO 扩展优化范围并利用行为奖励。 该系统在微信电商搜索中部署,订单量相对提升 2.539%,CPU/GPU 使用量降低超 25%。
针对 158,099 条答案与 468,037 个引用的分析表明,生成式引擎的检索机制比页面属性更能解释引用差异。 引擎搜索检索解释 32% 的引用变异,而页面属性仅占 2.8%。内容主要通过匹配引擎重写的查询语义起作用,而非 FAQ 等结构化元素。 研究在小型 B2B 市场复现了相关发现,并公开了数据与代码。
XForecast 发布了一项基于新闻的金融预测基准与竞赛,要求结合历史股价与新闻信号预测四周后的股票价格变动。 该基准包含 2019–2023 年 100 只大盘股数据,采用加权命中率指标以强化对新闻敏感场景的评估,竞赛在 Kaggle 平台举办。 旨在评测整合时间序列与文本信息的金融预测方法。
Neos 提出多模态深度搜索框架,在十项基准测试中超越同类专用智能体。 通过多模态证据接口(MEI)实现策略强化学习与监督微调的交替迭代,解决长周期任务中视觉证据到决策的转化难题。 Neos-9B 和 Neos-35B 版本在专用多模态深度搜索领域展现出领先的基准性能。
Glasseek 提出开源深度搜索框架,其 9B 参数智能体在多项深度研究基准上超越前沿闭源模型,并刷新 9B 规模 SOTA 纪录。 框架采用 Compaction-Managed GSPO 训练算法,实现跨上下文压缩边界的端到端策略优化,并发布模块化防泄漏插件解决评测污染问题。 该工作公开了完整的数据、权重与代码,为开发可复现且可靠的开源搜索智能体提供了系统化范式。
WeFair 是一种基于人类反馈的保真对齐方法,用于 WeChat 短视频搜索的个性化查询重写。 该方法通过挖掘实际用户重写数据,结合直接偏好优化和群组相对策略优化,利用多维度 LLM 筛选过滤不支持的意图转移。 在线 A/B 测试显示,有效点击率相对提升 1.576%,查询重写率相对降低 1.731%。
HyWe 框架通过单一模型统一信息搜集与页面交互,其训练的 HyWe-35B 在 HyWeBench 上取得 47.0% 成功率。 该基准包含 100 个独立于训练数据的人编写任务,混合训练相比未训练基础模型提升 19.0 个百分点,并优于现有搜索型与操作型智能体。
针对 ChatGPT 模态与基准测试的研究发现,开启网络搜索可使模型准确率最高降低 8 个百分点,且重复测试中高达 21% 的提示词产生不一致回复。 研究分析了 401 个提示词与 4,812 次响应,对比了 Chat UI 与 API 在 BBQ 和 SafetyBench 上的表现,并发现不同模态的引用来源和拒绝回答行为存在差异。
该研究为生成式搜索提出了一种主张门控的来源风险审计方法。在包含81种三元状态谓词组合的合成测试集中,参考检查器成功复现所有组合,并拒绝了192条畸形记录。 这些结果属于有限的契约一致性验证,明确了建立语义有效性所需的后续独立标注与效用测试。
提出来源感知强化学习范式 SOAR,旨在解决搜索智能体绕过外部证据而虚构答案的问题。 通过将内部与外部知识分解为可观测的并行流,SOAR 在 3B 和 7B 基座模型上性能分别提升 7.3% 和 5.4%,并将证据虚构率降低 74.8%。 该方法有效强化了模型在知识密集型任务中的忠实性与鲁棒性。
SEEDS通过预览引导策略让搜索智能体动态选择需完整检查的检索结果,在9个基准测试中持续提升搜索效果并显著降低证据消耗。 该框架允许智能体基于当前推理状态决定检查哪些及多少候选项,相比固定策略更灵活。 实验证实SEEDS能有效选择检索前缀之外的有用候选项,确立了证据准入作为智能搜索的关键维度。
SSR框架将多模态智能体推理重构为候选选择而非开放式生成,在7项搜索基准上使用2B和4B模型进行评估。通过并行打分和共享KV cache技术,SSR在保持成功率的同时将每轮推理延迟降低90%以上,总推理延迟减少28-54%。
EconSkills 提出技能库与评估框架,将验证过的 EconWebArena 轨迹蒸馏为参数化标准操作程序以获取实时经济数据。 每个技能记录范围、导航步骤、站点指南、验证检查及恢复步骤,并用占位符替代源实例值。
Project Greenhouse 验证了使用少量 GPU 资源即可构建完全开放且主权的 Agentic Search 模型。 该研究通过从零预训练和监督微调两步配方,训练出具有竞争力的点式 decoder-only reranker,并发布了 Gaggle 模型家族的 checkpoints。 此方法不依赖第三方开放权重基座,实现了端到端训练控制,支持透明且独立的复现。
DAC 框架通过在特定任务外部验证信号下训练搜索器与生成器,利用角色间交叉验证奖励实现了协调的角色分解训练。 该框架允许生成器在证据不足时选择放弃,并通过引入困难正样本增强机制防止模型退化为过度放弃策略。 在涵盖通用和多跳问答的 7 个基准测试及 2 种模型骨干上,DAC 的表现稳定优于强大的单智能体和多智能体基线模型。
提出 IGRPO 框架,通过中间状态信息增益动态分配计算预算,优化多轮搜索智能体的强化学习过程。 实验表明,IGRPO 在 7 个搜索增强问答基准上,使 3B 和 7B 模型在相同 Rollout 预算下平均准确率优于强基线。 相关代码已开源。
WebRider 提出“意图契约”机制以弥补当前实时网页智能体仅评估最终答案的缺陷,其在 99.2% 任务完成率的场景中仅 38.8% 严格遵循策略约束。 该系统采用分层架构,通过 RiderBench 基准在 42 个公开网站上的 4,096 个实时契约中验证,并利用 8B 行动策略模型实现优于纯执行基准的训练信号。
冻结协议评估显示,联合校准上界使北京 M1 路径覆盖率从 83.19% 升至 92.26%,成都 M1 从 75.14% 升至 88.33%,成都 M2 从 74.01% 升至 90.64%。
针对生成式信息检索(GIR)中文档标识符(DocID)设计缺乏统一标准的问题,提出一个统一乘积量化(PQ)与残差量化(RQ)的设计空间框架。 定义了一组免训练的内在指标,用于在无需完整模型训练的情况下量化 DocID 质量与结构保真度。 在 MS MARCO 300K 和 NQ320K 数据集上的实验表明,DocID 的层级与并行结构等特性显著影响检索效果。
研究利用零样本 MLLM 生成结构化文本以比较地面全景与卫星瓦片,无需任何组件训练。在 VIGOR 数据集上,描述相似度在全池中 Recall@1 仅为 0.39%,但在缩小至 10 个邻近瓦片时,MLLM 评委评分表现优于随机排序并匹敌词汇基线。 该方法能解释定位依据,但无法通过描述重排超越视觉检索器,因为语言转换丢失了区分邻近地点所需的精细外观细节。
SearchJev 是一款快速且校准的 System-1 模型,将搜索决策与 System-2 推理分离,直接对合法选项评分而非自回归生成。
T-Search 发布为开源权重智能体检索器,基于 Qwen3.6-35B-A3B 构建。 单次 rollout 在七个基准测试平均 Recall@10 达 56.0,三次融合 rollout 达 61.3,优于更大开源模型。 该项目同时发布 TRuST 基准测试,这是首个原生的俄语高难度搜索基准测试。
PSA 在 InfoSeek-Eval 和 BrowseComp-Plus 上相比查询型智能体,宏平均任务成功率分别提升 4.00 和 7.56 个百分点。 PSA 采用持久化候选工作区与灵活原语组合,实现候选处理与证据呈现的单元化控制。 最终步骤 token 平均减少 28.3% 和 33.9%,支持扩展智能体对搜索过程的控制。
基于 ColGREP 的紧凑本地智能体在 SWE-bench Lite 和 Multi-SWE-bench Flash 任务中,定位准确性优于 GREP 基线。该方案结合加权监督微调与强化学习,训练了三个参数量低于 20 亿的模型族。在 CPU 环境下,端到端延迟降低 44.1%,Token 消耗减少 29.1%,并提升了对未见编程语言的泛化能力。
MEMENTO 框架将 Web 视为学习信号而非无状态检索接口,在三个低数据领域较 ReAct 基线实现稳定提升:销售自动化 +25.6%、法律研究 +36.5%、亚群体观点预测 TVD 降低 29.6%。
arXiv 论文提出 AgentDOXX,一个基于真实人物公开信息构建的 822 条合成访谈记录评测套件,用于衡量智能体将匿名文本与具名个人关联的重识别风险。
OpenAI 在 ChatGPT 中引入新的视觉广告格式,并扩展了广告衡量工具、归因合作伙伴关系和品牌适配性,以适应用户通过 AI 获取信息的场景。
推荐理由:原文介绍了ChatGPT新增视觉广告格式及衡量工具,为广告主提供了新的投放与归因路径。
一项针对 Google AI Overviews 的大规模纵向测量研究分析了其激活率、来源质量和声明保真度。研究显示,整体 AIO 激活率为 13.7%,问题形式查询高达 64.7%,且 11.0% 的原子声明缺乏引用来源支持。