Glasseek:深度搜索智能体的透明训练与可信评估方案
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。
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。
Jevcrawl 发布,这是一个专为 AI Agent 设计的网络爬虫工具,其核心特点是爬取决策不经过 LLM。官方基准显示,其在 50 个任务中的准确率为 54%,且每次任务成本约为 LLM 驱动的 8 分之一。该工具支持 MCP 协议,兼容 Claude Code、Cursor 等客户端,并采用 Apache-2.0 协议开源。
四项AI引擎在80个问题中生成960个回答,Perplexity 100%调用搜索且平均引用19.48个来源。 ChatGPT、Gemini、Claude 搜索率分别为90%、88.8%、80%,引用源数量显著少于Perplexity。 数据显示各引擎引用来源高度差异化,Perplexity重复提问时引用一致性达96%。
Proofsource 是一款 AI 智能平台,用于监测 ChatGPT、Perplexity、Claude 及 Google AI Overviews 是否提及品牌,并识别未被提及的原因。 免费试用支持 200 个答案和 25 个提示词,覆盖四大引擎;付费计划从每月 9 美元起步,提供每日或每周更新。 平台帮助品牌定位 AI 短名单缺口,通过引用源分析修正信息,提升在 AI 推荐中的可见度。
开源工具 Xtract 在 AI 智能体与网页搜索间插入评分层,按有用性与成本筛选内容。在 15 家公司销售研究中,Xtract 每查询仅读 3.1 页(对比 10 页),成本降至 10.3¢,且准确性略高于传统智能体。
SignalsFlow 处于免费 Beta 期,能识别 Reddit 上匹配 SaaS 产品的用户痛点帖,并由 AI 生成 5 条评论或长回复供用户手动发布。 该工具不自动发帖,仅读取公开页面;每个帖子评分 0-100,支持添加最多 50 个自定义 subreddit。 Beta 版限制每日 30 次 AI 草稿,使用 Google 登录且无需信用卡。
作者发布一个无需注册的工具,允许用户将提示词复制到 Claude Code、Codex、Cowork、Claude.ai 或 ChatGPT 等 AI 助手中,搜索 123 家 AI 实验室中符合个人画像的开放职位;也可直接读取 llms.txt 文件。
文章指出随着AI摘要获取用户注意力,黑帽GEO从业者试图通过操纵信息源影响LLM推荐。其提出五种潜在路径:篡改互联网档案馆数据、构建合成共识网络伪造多源支持、通过引用清洗建立虚假溯源、收购过期域名维持权威外观,以及利用学术预印本服务器注入指令。文章强调,一旦虚假断言被看似可靠的来源重复传播,AI系统将难以区分独立佐证与单一捏造的循环引用。
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%。
Seodata.dev 1.1 提供每日 20 次免费关键词搜索量、CPC 及竞争度查询,支持 50 多个国家且无需 API 密钥。 该服务通过 llms.txt 文档和远程 MCP 服务器兼容 Claude、ChatGPT 等主流模型,缓存机制使无限查询成本仅为 $4.99。 数据源自 Google Ads、DataForSEO 等,注册邮件账号后可免费获得每月 500 次查询额度。
Crawlable 对 50 个顶级 Web 应用进行审计,发现其中 46 个可测量站点的 AI 可读性中位数为 55 分,无一达到 90 分以上的 A 级。 仅 14 个站点提供合规的 llms.txt 文件,14 个站点存在空 JavaScript 外壳页面,导致 AI 爬虫难以获取完整内容。
Mira 是一款 AI 音频导览工具,允许用户通过街景视图访问全球各地,并伴随语音讲述周围故事。 旧金山和巴黎对所有人免费开放无需注册,其他城市需登录且赠送 30 分钟免费时长,支持创建自定义导览。
深圳一家GEO服务商因“套取AI收录标准、批量编造虚假排名”被市监局处以5万元罚款。 该服务商通过“GEO分析系统”探测大模型偏好,编造虚假行业评分并发布至社交平台,构成虚假宣传。 此案与今年6月北京类似案例同因干扰AI搜索正常运行而受罚,均被处以5万元罚款。
研究分析了 10 个 AI 搜索平台,发现低门槛发布可影响 AI 搜索引用与答案。17,211 个引用实例中,15/22 测试平台存在低/中发布障碍,普通帖子改变 AI 输出。
Winning Funnels 是一款 AI 研究代理,可自动搜索特定细分市场的实时广告漏斗,截图落地页并估算月收入。 该工具通过流量、转化率及价格信号建模生成收入区间,区分运行 3 年以上的成熟“Proven”漏斗与新兴“Rising”漏斗。 免费计划提供每月 40 积分(约 20 个漏斗分析),付费版起价 $19/月。
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。
针对 56 家美国品牌的调查显示,68% 的网站未在 robots.txt 中提及任何 AI 爬虫。 新闻媒体行业 75% 完全屏蔽至少一个 AI 爬虫,而其他行业该比例仅为 6%,差距达 12 倍。
用户在 iOS Safari 搜索“移除 AI 结果”时,使用 “-ai” 参数未生效。 作者测试发现该关键词组合下 Google 无法返回相关扩展,移除 “-ai” 后恢复正常,其他搜索测试正常。 作者推测 Google 可能在限制此类搜索请求,并计划试用相关 AI 屏蔽工具。
Google 单入口模式导致互联网内容恶化,用户转向 AI 获取信息。 但 AI 依赖搜索,其从垃圾内容中总结的答案质量堪忧。 单点解决方案易出错,优质内容多在小型社区,需像档案管理员一样判断长期价值。
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%。
微软发布全新 Windows 搜索体验,借助 AI 替代关键词匹配,通过理解用户意图提供更相关结果。 新搜索结合文件内容、应用信息和系统上下文,支持自然语言查询,并辅助完成后续操作。 这一体验呼应 Copilot 及“混合智能”理念,由 AI 协助处理,用户保留最终控制权。
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。
美国司法部指示内部工作人员在绝大多数场合及法庭文书中,以“超级智能”(SI)取代“人工智能”(AI)。 该指令由代理副总检察长特伦特·麦科特签发,旨在响应特朗普此前签署的联邦机构用词替换行政令。 此举发生在多起黑客事件导致公众对该技术观感转差、安全隐患受到质疑的背景下。
该系统集成了 41 项编辑保障措施及 6.4 万个错误信息数据库,支持事实核查与个性化更新,旨在为出版商创造订阅收入机会。
UBS 分析师指出,主流 AI 聊天机器人越来越将 Walmart 视为日常消费的默认推荐,其推荐频率甚至高于 Amazon。 研究测试了 ChatGPT、Claude 等模型,发现 AI 基于规模和品牌熟悉度更常推荐 Walmart 和 Costco,并胜过汽配零售商。 零售品牌需争夺 AI 推荐位,向 AI 提供结构化数据可能带来显著优势。
本文为科技初创公司提供了五步生成式引擎优化(GEO)策略,以帮助其在 AI 搜索的零点击结果中胜出。 具体步骤包括:定义要占据的类别、映射目标提示词和引用来源、构建一致的叙事、结合获得的媒体与有用的站内内容,以及追踪 AI 系统实际展示的品牌和来源。其核心目标是让品牌易于被买家和 AI 系统理解、引用和验证。
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。