colbert

本文介绍了MoganColBERT-TR，一个用于土耳其语的后交互多向量检索模型，通过从先前编码器进行蒸馏训练，在土耳其语BEIR数据集上实现了具有竞争力的零样本性能。

作者表达了对ColBERT模型在机器学习中提供即时高质量结果的兴奋，并暗示即将发布开源模型，展示了晚期交互技术在没有存储开销下的效率。

Turbopuffer 宣布对晚期交互（late interaction）的 beta 支持，使 ColBERT 等模型能够将文本表示为 token 级向量，将快速的单向量 ANN 初步搜索与精确的晚期交互重排序相结合，以提高召回率。

Liquid AI 展示了如何使用 LFM2.5-ColBERT-350M 作为过滤器，从151个工具中仅选出最相关的五个，从而减少延迟并提高工具选择准确性。

LFM2.5-ColBERT-350M 是一个模型，能从151个工具中可靠地选出最相关的工具，节省令牌并提高准确性，非常适合代理型边缘模型。

Liquid AI 推出 LFM2.5-Embedding-350M 和 LFM2.5-ColBERT-350M，这两款多语言检索模型经过优化，可在11种语言中实现快速准确的搜索，延迟低至1.5毫秒。

作者发现，对ColBERT模型进行正则化可以修复高效的ANN方法MUVERA和SMVE（这些方法在现代ColBERT模型上出现了问题），并以一种意想不到的方式简化了多向量检索基础设施。

Tony Wu发布了late-interaction-kernels (LIK)：用于MaxSim的融合Triton内核，MaxSim是ColBERT和ColPali背后的评分步骤，已集成到PyLate和colpali-engine中，提供了内存效率和性能提升。

ColBERTSaR提出了一种使用乘积量化的嵌入量化方法，将ColBERT索引转换为真正的倒排索引，与单比特PLAID相比，索引大小减少50-70%，同时保持检索效果。

LateOn作为新一代ColBERT模型，在BEIR上相比v2提升了近10个百分点，并且在BEIR之外也表现出良好的泛化能力，同时在PyLate中的使用方法完全相同。

本文提出单阶段稀疏检索（SSR），用稀疏自编码器和倒排索引替代K-means聚类，实现了15倍的索引加速和一半的检索延迟，同时在BEIR基准上提升了准确性。

LiquidAI 发布 LFM2.5-ColBERT-350M，这是一种后期交互多语言检索模型，同时还有一个密集双编码器变体，两者均基于 LFM2.5-350M-Base，支持 11 种语言，并设计为 RAG 管道的即插即用替代品。

暗示即将以低调方式发布一个强大的开源多语言ColBERT搜索模型。

Perplexity AI发布了pplx-embed-v1-late-0.6b，一个用于检索的小型ColBERT后期交互嵌入模型，基于他们现有的嵌入模型微调并针对MaxSim评分进行了优化，现已在HuggingFace上开源。

在 Hugging Face 上发布了一个内核，通过使用分块评分和 SIMD 组矩阵运算（Metal 和 WMMA）来加速 MaxSim 后期交互检索，比朴素实现获得了 3–5 倍的加速。

本文强调了 ColBERT 模型如何凭借延迟交互（late interaction）技术和极少微调，尽管体积更小且发布时间更早，仍优于 Qwen3-embed-8B 等更大规模的模型。

Reason-ModernColBERT 在 BrowseComp-Plus 上取得了近乎完美的结果，超越了 SOTA 和 54 倍大的模型，随后 Agent-ModernColBERT 通过极少的训练进一步提升了性能。

Raphael 开源两款检索模型：LateOn（ColBERT 多向量）与 DenseOn（单向量），均 149 M 参数，在 BEIR 上超越体量 4 倍的大模型。

一场主题演讲认为，后期交互检索（如 ColBERT 风格）是 AI 规模信息检索研究中最具前景的方向，并指出单向量密集检索存在根本性缺陷，呼吁信息检索社区大幅提升研究雄心。演讲引入 LIMIT 基准测试，作为密集检索泛化能力不足的佐证，并呼吁在 2030 年前实现范式转变。