retrieval

提出CogMem认知记忆架构，基于PEC²F图谱将对话记忆从被动检索转为主动重构，在LoCoMo和LongMemEval上取得多跳、时序和知识更新任务的良好表现。

Exa 推出了 ATLAS，一个全新的基准测试，用于评估 AI 智能体在搜索密集型真实世界研究任务上的表现，配备经过验证的黄金标准答案和可刷新的自动化评测流水线。关键发现：没有任何单次运行成本低于 1 美元的智能体在行级 F1 上超过 0.5，顶尖智能体仍然遗漏约三分之一的黄金标准结果，而 Exa 的搜索后端定义了成本-性能的帕累托最优边界。

论文提出了TopoPlanner，一个拓扑一致的规划框架，将工具依赖图提升为胞腔工作流复形，以引导大语言模型的工具规划。该框架能够处理验证-修正循环、分支合并以及可复用中间状态等超出顺序或有向无环图式工作流的场景，在四个基准测试中相对基线均取得一致提升。

Perplexity 发布了 PPLX-EMBED-V2-LATE，提供多向量、多模态嵌入，保留 token 级向量并在共享嵌入空间中实现更丰富的文本与图像检索，在 ViDoRe(V3) 等基准上表现领先。

Simon Willison 对 Google 以 Apache 2.0 许可证发布 EmbeddingGemma 2 发表评论，认为开放权重对嵌入模型至关重要，这样用户才能避免被专有托管服务锁定，这类服务日后可能随时下线。

EmbeddingGemma 2 使得在设备端完全离线运行多模态 RAG 成为可能：在 Pixel 11 Pro 上，文本搜索只需约 191MB 内存，文本、图片、视频和音频的嵌入则只需约 567MB。模型权重已依据 Apache 2.0 许可证开源。

本文提出了 LLM 中的“知识可达性”概念，并提出可达性中心假说，表明可达性更高的查询在模型的表示空间中更靠近中心，从而揭示出一条知识边界，可用于判断何时应采用查询重写、思维链或检索。

APDMem 提出了一种面向 LLM 助手的分层长期记忆架构，通过智能体对四层记忆施加渐进式披露控制，在仅访问 8% 对话数据的情况下，取得了优异的 LongMemEval 表现。

该预印本系统比较了在不同推理信息假设（无化学式、已知化学式、峰值带子式注释）下的最近邻基线方法，用于从MS/MS光谱预测分子指纹，评估了五种谱相似度在NPLIB1与MassSpecGym数据集上的表现。

一项系统性研究对比了基于语言模型的世界建模中微调与基于 RAG 的方法在五种环境下的表现，发现微调通常更胜一筹（在 20 种设定中赢下 15 种），但 RAG 的数据利用效率更高；研究还提出了一种混合系统，将参数化动力学与对主动维护的记忆库的检索相结合，其表现优于两种单独方法。

Qdrant 发布了一篇关于 Lucy 的案例研究。Lucy 通过混合检索通道和查询内载荷过滤，在 280 万+ 条 SEC 与 Korea DART 备案文件之上构建了权威事实检索层，在 FinanceBench 上达到 94.7% 的 Recall@10，并在固定答案模型的情况下，仅靠检索就将答案准确率提升了 0.160。

本文探讨了智能体记忆系统应如何在人类可读层中区分原始观测、已接受的决策、派生摘要和运行检查点，并提出了文件、关系型存储与向量索引之间的边界划分问题，以防止过期摘要在来源失效后依然留存。

Kapa.ai 推出了 Company Knowledge Bench——一个基于真实生产数据构建的 1,000 例评测集，用于对杂乱的内部企业知识检索进行基准测试。结果显示，前沿模型仅使用 grep（0.61）即可匹配经过调优的混合搜索流水线，但耗时是后者的 5 倍；而他们的智能体检索器 Kapa Deep 在约 5 秒内即可达到 0.65 的成绩。

MemFit 是一套面向对话智能体的长期记忆系统：它以只追加的方式将多轮对话逐字保存到存储中，并采用无 LLM 的记忆写入与多路检索机制，在大幅降低记忆构建成本与延迟的同时，在 LoCoMo、MemGallery 和 LongMemEval-S 上取得了当前最优结果。

该 arXiv 预印本提出了生成式 AI 个性化中上下文充分性（context sufficiency）的理论，提出“上下文充分性前沿”（Context-Sufficiency Frontier）来区分四种状态——不足、充分、饱和与干扰——并通过在一家家居零售商的生成式推荐器上开展的全因子实验证明：相关上下文能提升推荐的恰当性，而无关上下文不仅会损害恰当性，还会破坏检索的稳定性。

论文提出 Legal Research Bench（LRB），一个由专家撰写的包含 413 道题目的开放式美国法律研究基准，并对 13 个前沿模型的智能体进行评测；表现最强的 Claude Opus 4.8 全通过率也仅达 42.9%，表明法律研究智能体仍远未达到可靠水平。

本文构建了一个流式召回基准，将智能体与查询无关的记忆保留决策与查询相关的检索选择决策分离开来。研究发现，先前评估中报告的大部分记忆优势实际上是一种访问机制造成的假象，而在有限记忆条件下，召回率的上界由记忆保留率决定。

Garry Tan 宣布 GBrain 现已支持 Jev，在保持检索行为不变的同时，改进了记忆/梦境循环。

这项基准测试在 Google 的 FRAMES 多跳问题上对比了 18 种 RAG 流水线变体与一个简单的智能体循环，结果发现最佳流水线得分为 78.9%，而一个可以重新搜索的智能体循环达到 92.7%。令人意外的是，重排序往往会降低准确率。作者还指出，尽管明确要求模型仅依据检索到的文档作答，模型有时仍会凭记忆填补信息空白。

TRACE 引入目标感知检索、证据归因定位与契约约束抽取，以弥合科学文献 LitTraceQA 中的"grounding 契约鸿沟"，在官方 71 题测试集上得分 0.760613，论文抽取 F1 表现强劲（0.9728），但表格抽取性能相对较弱。