AWS 介绍如何用 Amazon Bedrock Knowledge Bases 和 Amazon S3 构建带引用的理赔问答助手，通过 AgenticRetrieveStream 处理多轮问题、多条件检索和流式回答。教程还演示了基于元数据的筛选、Amazon Bedrock Guardrails 的上下文接地检查，以及对合成数据集的检索和引用评估。
推荐理由：文章以合成理赔数据演示从文档摄取、自然语言检索到引用和权限控制的完整实现路径，适合迁移到文档问答场景。
AWS 展示了一套基于 Amazon Quick 和 Amazon Bedrock AgentCore 的合同智能平台，将合同 PDF 转换为可查询的结构化数据，并支持组合分析与单份合同问答。
推荐理由：文章展示了面向多文档聚合的可迁移架构，将结构化提取、独立模型校验与数据库分析结合，弥补单纯 RAG 的局限。
AI从试验走向生产后，企业应根据需求稳定性和容量利用率，在按量消费与自有容量之间做出经济决策，让 AI 从支出转为可优化的生产性资产。Deloitte’s 2026 State of AI in the Enterprise显示，worker access to AI在2025年上升5%，至少40%的 AI 项目处于生产阶段的公司比例预计在六个月内翻倍。
GitHub Podcast 最新一期拆解五个 AI 热点观点，认为 AI 生成的代码仍需审查，Skills 与 MCP、RAG 并非互相替代。代码审查应按风险分配精力，开发者仍需理解并对结果负责。MCP 负责连接工具和数据，Skills 提供流程与专业知识，RAG 用于检索模型训练数据之外的相关信息。
H Company 发布 NeoMME 多模态多语言编码器，提供 260M 和 800M 两种规模，并从头训练单一双向 Transformer 处理文本与原始图像块。
推荐理由：文章系统说明了 NeoMME 的单 Transformer 架构、检索性能与压缩方案，便于评估多模态文档检索在速度、质量和存储之间的取舍。
Sentence Transformers v6.0 引入 MultiVectorEncoder，并提供面向 ColBERT 风格 late interaction 检索的训练与微调流程。
推荐理由：文章把 MultiVectorEncoder 的训练组件、数据格式和损失函数串成可运行流程，并用医疗检索实验展示领域微调与索引压缩的取舍。
Hugging Face 介绍了 Papers with Code 的混合搜索架构，将 PostgreSQL 全文搜索与 pgvector 语义检索结合，并用 RRF 融合结果。
推荐理由：文章拆解了 Papers with Code 将批量向量化与在线查询分离的架构，并展示冷启动回退、版本校验和原子切换如何支撑可复现部署。
Mistral AI 发布 Agentic Search，通过多步检索循环让 AI 系统搜索、打开、导航、读取并验证复杂文档中的信息。FinanceBench 上准确率从 26.7% 提升至 86%，OfficeQA Pro 上从 6.3% 提升至 51.9%，p90 延迟最高降低 39.6%，token 消耗最高减少三分之一。
推荐理由：文章通过 FinanceBench 与 OfficeQA Pro 的对比，具体展示 Agentic Search 如何在复杂文档检索中兼顾准确率、延迟与 token 消耗。
Sentence Transformers v6.0 新增 MultiVectorEncoder 模型类型，支持 ColBERT 风格的 late interaction 检索。
推荐理由：文章将 MultiVectorEncoder 的 late interaction 原理、索引开销与接入方式放在一起，并覆盖文本和视觉文档检索等实际场景。
Mistral AI 发布 Mistral OCR 4，支持 170 languages，并可返回 bounding boxes、区块类型和逐词 confidence scores。
推荐理由：文章同时呈现了 Mistral OCR 4 的结构化解析能力、部署方式与成本，便于比较其在企业文档流程中的适用场景。
Google 在 Gemini Enterprise Agent Platform 中推出由 Agentic RAG 驱动的 Cross-Corpus Retrieval，目前以 public preview 形式提供。
推荐理由：文章说明了 Sufficient Context Agent 如何驱动多轮检索，并给出跨语料库实验结果，便于理解该方案对复杂企业查询的改进。
Mistral AI 发布 Search Toolkit public preview，这是一个用于构建 AI 应用生产级搜索流水线的开源框架，统一了数据摄取、检索和评估接口。它支持 BM25、基于嵌入向量的密集检索与混合检索，并提供 recall、precision、MRR 和 NDCG 等评估指标，可部署在云端、本地或边缘基础设施上。
推荐理由：Search Toolkit 将数据摄取、检索与评估置于统一接口下，并提供 BM25、向量和混合检索，便于团队在自有数据上比较检索质量。
Google Research 与康奈尔大学、哈佛大学合作评测大语言模型回答高温超导研究问题的能力，NotebookLM 和定制 RAG 系统整体表现领先。专家组以 67 个问题测试了 6 个系统，结果显示，使用经过筛选的文献库的系统优于依赖开放网络来源的系统，后者更容易混淆已确立的理论与高度推测性的理论。
Mistral AI 发布专用于代码的嵌入模型 Codestral Embed，面向代码检索和语义理解。该模型可输出不同维度和精度的嵌入，256 维、int8 精度下的检索表现优于文中列出的竞争模型。
Mistral AI 发布 Agents API，为 AI 智能体提供代码执行、web search、图像生成、Document Library、MCP 工具、持久记忆和多智能体编排能力。启用 web search 后，Mistral Large 和 Mistral Medium 在 SimpleQA 上分别达到 75% 和 82.32%，未启用时为 23% 和 22.08%。
推荐理由：原文同时展示了内置连接器、持久记忆与多智能体交接机制，并用 SimpleQA 对比了启用 web search 前后的结果。
Mistral AI 介绍一种用 LLM 作为评审器评估 RAG 系统的方法，采用 RAG Triad 检查上下文相关性、groundedness 和答案相关性。
推荐理由：文章把 RAG 评估拆为上下文相关性、答案相关性和 groundedness，并结合结构化输出给出可复用的机器可读评分方案。
Mistral AI 发布 Mistral OCR，一款可处理图片和 PDF 的 OCR API，能提取文本、图片、表格和公式并保持交错顺序。API mistral-ocr-latest 已在 la Plateforme 提供，定价为 1000 pages / $，batch inference 下每美元处理页数约翻倍。
推荐理由：Mistral OCR 将复杂文档中的文本、图片、表格和公式统一提取，并支持结构化输出与自托管，适合评估多模态文档进入 RAG 和智能体流程的方式。