KnowMe Paper Radar:结合多源证据实现轻量级个性化论文发现工具
summary_zh: KnowMe Paper Radar 发布,通过整合主题、时效及合作网络等多维数据,实现无需大语言模型推理的个性化论文发现。 基于174,640条记录测试,系统重复上下文准备速度提升3倍,NDCG@10指标从0.412升至0.598,提供浏览器及CLI界面。
summary_zh: KnowMe Paper Radar 发布,通过整合主题、时效及合作网络等多维数据,实现无需大语言模型推理的个性化论文发现。 基于174,640条记录测试,系统重复上下文准备速度提升3倍,NDCG@10指标从0.412升至0.598,提供浏览器及CLI界面。
ExecJudges 利用前沿 LLM 生成基于词汇匹配等规则的可执行程序,在 TREC DL 2019-2021 上的标注一致性达到 Claude Sonnet 5.5 LLM 判决水平。 该方法单次生成程序成本为 $0.17-$0.49 每主题,无需额外评分开销,且生成的标注能以 0.87-0.94 的 Kendall's tau 值对官方 TREC DL 运行结果进行有效排序。
提出电商生成式检索框架CQ-SID与强化学习算法EG-GRPO,作为召回阶段补充。 TmallAPP日志显示,CQ-SID使语义点击命中率提升26.76%,个性化点击命中率提升11.11%,且光束搜索规模减半。 在线A/B测试证实GMV提升1.15%,生成式召回渠道贡献超72.63%的购买。
ForecastGym 通过记录 4 个商业搜索 API 对 150 个预测问题的响应,构建了包含 614 个证据状态和 131k 条结果的冻结基准。 该基准揭示了证据来源的重要性:更换搜索 API 可使 Brier 分数变化达 0.043,且持续笔记策略能以一半输入 token 取得相似评分。 所有测试 LLM 在冻结证据下的预测准确率均落后于市场,表明预测者看到的证据与模型本身同样重要。
研究团队开发了专用多模态生成模型 FinVision,利用 87,940 对 MD&A 披露与股价图表数据,将财务叙事转化为市场动态视觉表征。 模型生成的图表优于直接 LLM 提示及通用文本到图像模型,且文本隐含图表与观测图表的偏差与后续较弱的投资者反应及经营结果相关。
该研究提出自动化SFT数据引擎LogT,通过强制逻辑链引导生成高质量训练数据,解决视觉搜索中逻辑推理与工具使用挑战。 在Qwen2.5-VL-7B和InternVL3.5-8B上验证,LogT-SFT仅用3.1倍更少的数据和120倍以上更少的GPU小时,超越SFT和RL训练的SOTA模型。 应用简单RL配方后,模型性能比复杂RL设置方法高出9.59分,并展现出更高工具使用准确性与结构化推理轨迹。
针对 LLM 生成的品牌回答,一项多语言审计分析了 128 个品牌、13 种语言中的 167,551 条带 URL 引用。在北欧-波罗的海核心数据集里,3,863 个可注册域名占据了 131,514 条引用中的 80%,其中 Wikipedia 在 12 种查询语言中的 11 种处于首位。
针对 424 名大学生 527 个浏览会话的研究表明,在跨任务评估中,咨询顺序与关系结构对相对学生表现无显著预测贡献,十二项预设主要测试均未显著。 尽管跨任务合并观察显著提高了相关性,特别是事实正确性方面,但句子嵌入仅在保持任务上与通用响应质量呈现微弱正相关,未确立额外预测价值。 研究指出合并预测相关性可能无法反映任务内学生差异,凸显了任务内评估与标准泛化性审计的必要性。
基于美国桌面点击流数据,ChatGPT 会话中附带网络引流的占比为 5.4%,远低于 Google 查询的 31.1%。 广告支持站点获得的 ChatGPT 引流份额较小,而参考与技术站点份额较大。ChatGPT 采用导致常规搜索引擎流量下降,且该效应随无账号用户覆盖扩大而加剧。
针对通用 Text-to-SQL 在处理 Copernicus 气象数据时因符号-数值鸿沟失效的问题,STRATOS 框架通过空间语义消歧实现端到端转换。 该框架利用局部本体映射模糊概念,外部知识库解析空间实体,复杂度感知重写器将执行时间从小时级缩短至秒级。 研究构建了包含 7,520 个专家设计复杂查询对的 STRATOS Evaluation Workload,旨在测试此前未被探索的时空维度。
研究团队提出 DeepStress 框架,用于评估深度搜索智能体在低质量证据下的鲁棒性。该框架通过动态合成文档环境,独立控制文档的可信度、相关性和事实准确性。在 HotpotQA 和 BrowseComp-Plus 上评估了 12 个系统,发现多个开源权重智能体在来源存在明显可信度红旗时仍自信作答,且许多 HotpotQA 问题即使所有返回文档事实错误,也常依赖参数化知识回答。
Qwen2.5 小模型(1.5B-14B)经提示词优化可路由推理、检索等能力,14B 路由器下游 token 消耗减少 68.7%。 最小提示下增大容量未一致提升分类性能,提示优化缩小了推理和计算器路由的容量差距,但 RAG 和 Web 搜索仍受益于更高容量。 14B 路由器 BERTScore F1 达 0.8408,接近全能力启用的 0.8418,中位延迟降低 80.5%。
研究发现,在 LLM 驱动的自主策略搜索中,循环内通缩检验的阈值可被搜索过程本身利用,导致“方差稀释”效应,使平庸的近似重复候选降低合格线。 在 53 项审计中,采用门控搜索的 37 次运行中有 36 次报告“无可证明的发现”,而未设门控对照组在 16 次运行中均报告了策略;所有实验组的样本外置信区间均包含零。
亚马逊发布 Bedrock AgentCore Web Search API,允许开发者通过单次 API 调用获取实时搜索结果。返回结果包含文本摘录、标题、URL 及发布时间,无需预先创建网关或目标资源。
Pinterest 提出 GLOC(Generative Labeling On Clusters)框架,通过优化图像嵌入形成语义紧密的图像簇并在簇级别生成总结性洞察,解决了传统人工标注高成本、覆盖有限及生成式AI延迟高的问题。
研究对 11 个主流 AI 聊天机器人进行审计,发现 Pravda Network 文章仅出现在 7.3% 的响应中,其中 3 个平台贡献了 94% 的检索量。 审计涵盖 10 个 Chatbot 和 10 万条提示,Claude 是主要检索来源,ChatGPT 和 Gemini 未检索到相关文章,各平台附加警示语比例在 5.3% 至 76.2% 间波动。
TS-GEAR 是淘宝闪购部署的生成式检索框架,使用 0.1B 轻量级主干模型,每天处理超过 1.5 亿次查询。 该框架通过 Geo-Semantic ID 将地理信息作为预测目标,利用 Query-Geo Target Attention 聚合用户历史行为,并采用 GMPO 优化去重奖励。
CHO-Bench 引入 119 万次成对评测,证实 LLM 广告中上下文提示词能改善广告排名。 该基准涵盖 5 个数据集,采用嵌入模型与 LLM 两种排名器,发现不同生成策略在特定配置下表现差异显著。 研究确立了离线广告侧排名优化基准,并指出模型特异性提示词选择及预算感知生成存在优化空间。
基于真实 Google Ads 电商数据,研究发现影响 LLM 人设模拟质量的三大信号形式维度为:无噪声人口统计锚点、相对定性横幅盲区信号、提示词措辞。该方法 MAE 达 24.9,比最佳非 LLM 基线低 51.3%。 消融实验表明,极简人口统计描述比丰富人设配置误差更低,相对定性提示显著优于定量锚点。
L-MARS 是一个开源法律问答多智能体系统,通过智能搜索和跨家族法官验证提升引用准确性。在100题法考审计中,其多轮法官循环将严格引用 F1 从 0.13 提升至 0.25,无引用率从 34% 降至 13%。系统引入 Faith-Search 后处理步骤,将不可达引用率降至 1% 以下。该工作已被 ICML 2026 AI for Law Workshop 接收。
MARS 是一个基于强化学习的多语言搜索智能体,通过直接操作原始语料库实现无检索器的证据获取,并引入语料库原生实体锚定技术。 模型设计了冗余感知的搜索奖励,旨在生成简洁高效的搜索轨迹,避免多语言场景下强化学习的训练坍塌。 实验表明 MARS 在多语言泛化性上优于基线模型,并显著减少了冗余的语料库交互。
论文提出 EcoGEO 及 TRACE 方法,将生成式引擎优化(GEO)视为 Web-enabled LLM 智能体的环境级影响问题。TRACE 通过协调入口页与异构支持页构建受控证据环境,利用共享术语、内部链接及一致属性强化目标产品。
CORE 是一个无训练 harness,结合粗到细搜索与上下文管理,通过稠密检索与重排序器返回最相关 snippet。 它允许智能体扩展已检索源的上下文并抑制重复 snippet,在三个基准上实现 SOTA 答案准确率与证据召回。 在含最高 5.53 亿文档的语料库上,Tongyi DeepResearch 和 OpenResearcher 对比测试中表现领先。
研究审计了生成式搜索中的品牌偏差,发现主流品牌在1,176个头部市场参与者样本中,被引用频率比平均品牌高1.4至2.8倍。 这种偏差源于LLM的参数化记忆,且外部网络检索无法消除。
Amazon Bedrock AgentCore 宣布 Web Answer 正式可用,通过一次工具调用返回基于当前网络来源的综合答案及对应引用。Web Answer 由 AWS 托管,内置代理式搜索流程:自动规划并行搜索、核实事实,最终输出Markdown格式答案并附引用URL。
推荐理由:Web Answer把搜索、检索、合成和引用流程收敛为一次调用,开发者不必自建管道即可获取带来源标注的网页答案。
ModalSearcher 通过强化学习在实时 Web 环境中训练,提出自主跨模态搜索能力,平均准确率比 Qwen3-VL-8B 提升 16.2 分。 该 Agent 在五个多模态知识密集型问答基准上表现一致提升,并可处理跨模态多跳任务。 研究为构建能动态切换模态、主动引入视觉证据的智能体提供了可扩展路径。 ```
ODE框架提出图像库引用协议,使中间视觉证据可被后续工具复用,并通过闭环数据生成器实现SFT和RL数据策展。 该框架支持在线策略数据演化,每轮从被训练策略的rollouts中提炼数据。 在8个多模态深度搜索基准测试中,Qwen3-VL-8B智能体平均准确率从24.9%提升至39.0%,30B模型从30.6%提升至41.5%。
研究人员提出 LegalEvolver 框架,通过规则引导的自我演化优化检索查询,解决法律判决预测中查询质量低的问题。 该框架利用启发式优化查询作为种子,将轨迹经验总结为动态规则,并结合强化学习实现多轮迭代自我演化,突破模型初始性能上限。 在广泛基准测试中,其端到端性能证明查询优化的有效性,且动态规则优于固定规则,证实了自我演化的益处。
研究开发受控搜索框架,在10个模型和1000个合成搜索环境中分析初始证据顺序对LLM智能体最终答案的影响,发现主动搜索阶段最终答案对初始证据顺序更敏感。 死端历史相对中性历史会减少策略切换,表明该效应超越上下文长度限制;错误假设下的阶段测量区分了检索减少与反证打开后持续的错误。
VisSearch-Bench 发布 204 个人工编写任务,涵盖 7 大领域,旨在评估多模态智能体在视觉密集任务中的视觉上下文管理能力。 该基准测试了 16 种多模态模型,要求结合物体外观、局部细节、空间关系与外部信息,最佳系统仅完全解决 26.47% 的任务。 现有系统难以将视觉证据与搜索结果有效关联,凸显了长时程视觉搜索在完整回答生成方面的挑战。
研究提出多智能体框架 Implicit Brand Injection(IBI),通过在网页中插入单次自然提及来操纵生成式搜索引擎,显著提升目标品牌在生成答案中的曝光率。
CREO框架通过攻击者策略演化与防御者自适应缓解的双层优化,揭示搜索智能体在动态网络环境中的脆弱性。 该方法利用对比式演化信号驱动攻击策略群体定向进化,并在受控沙盒中设计细粒度指标量化内部漏洞。 实验表明该框架的攻击效能优于静态基线,凸显了开发更鲁棒防御框架的紧迫性。
Gen Digital 基于 Amazon Bedrock AgentCore Web Search 构建了 Norton Revamp 的 AI 策展新闻引擎,该平台于 2026 年 3 月上线。该引擎通过实时联网搜索为用户提供 AI 生成的内容建议、新闻流及目标设定,解决静态知识库滞后及传统爬虫基础设施负担过重的问题。
针对搜索增强智能体中普通 GRPO 仅依赖最终答案分配奖励的局限,提出双向信用分配算法 BiCAA。 该算法结合前向可解性增益(FSG)与后续推理增益(SRG),通过非对称融合校准局部反馈,并在七项开放域 QA 基准和两个 Qwen 骨干模型上实现平均 F1 提升。
DMReranker 提出零样本重排方法,将查询拆分为主题与类型化子句,子句回答概率乘积作为最终分数。 该模型在 InfoSearch 基准的六维度宏观 WISE 达 50.9,nDCG@10 保持 82.9,但基于原始分数的 SICR(19.2)落后于 GPT-4o(32.1),基于排名的 SICR 则达 67.0。
研究发现 20.9% 的 HTTP 200 响应不包含页面主要内容,导致引用漂移率从 5.8% 虚高至 21.9%。 测试覆盖 10,307 个 URL,廉价启发式方法可在约 5% 误报率下恢复 86% 的不可用响应。 作者建议 Agent 及其评测应显式报告获取结果,而非仅依赖状态码。
WeChat 搜索推出统一模型中心检索框架 WeSearch,已承载 100% 生产流量。 该框架通过检索查询相关簇并排序原子文档,将候选剪枝与细粒度相关性建模解耦,支持模型每周或按需每日刷新。 全流量 A/B 测试显示,该方案提升 0.68% CTR 和 2.27% 人均点击数,同时降低 41% 检索资源成本。
研究人员提出 sentiment sensing 框架,结合成分数据分析、函数数据方法与非参数推断,解决跨国情感分析中的语言偏差、统计失效及动态检测难题。 该框架在欧洲联盟 27 个国家关于能源和人工智能的新闻文章两个案例研究中完成测试,实现了有效的多语言比较和情感转变检测。 框架旨在推动多语言情感分析领域的严谨比较科学研究。
MediaWiki Code2Code Search 发布了一款神经检索系统,支持基于计算意图的语义代码搜索,覆盖 2500+ 仓库中的 129 万个结构实体。
PatchScout 是一个多智能体框架,通过平衡局部开发与自适应 patch 切换来优化主题化网页数据收集。 在四个实时网络主题实验中,该框架显著提升了收益率和领域覆盖率,优于遍历法和搜索增强推理基线。 在一个社会科学应用案例中,PatchScout 发现了 102 个先前未识别的实体,展示了其扩展现有主题数据集的能力。