Google Research 在 ICML 2026 发表论文提出 Retrieve-for-Train 框架，利用离线强化学习发现奖励对齐的查询扩展策略，并将其蒸馏至 53.9M 参数的扩散检索器中。该框架通过单次非自回归并行推理生成完整查询集，在保持多样性和对齐性的同时，相比自回归方法实现 12 至 20 倍的速度提升。
推荐理由：提出通过离线强化学习将复杂搜索策略蒸馏至轻量扩散模型，实现单次推理并大幅提升检索速度。
Hugging Face 博客详解了 Papers with Code 搜索系统的架构，利用 Jobs 进行批量嵌入、Buckets 管理数据流转、Inference Endpoints 提供低延迟查询。系统采用 PostgreSQL 全文检索与 pgvector 向量检索结合的混合搜索方案，通过 RRF 算法融合结果，并支持冷启动降级与增量更新。
Google DeepMind 联合 Kaggle 发布 FACTS Benchmark Suite，包含参数知识、搜索、多模态及 Grounding v2 共 3,513 个公开测试用例。评测显示 Gemini 3 Pro 以 68.8% 的 FACTS Score 领先，所有模型准确率均低于 70%，多模态任务得分最低。
推荐理由：提供涵盖参数知识、搜索与多模态的4项事实性评测基准，揭示前沿模型在事实准确性上的具体短板。
Tavily 分享了构建深度研究智能体的经验，通过上下文工程将 Token 消耗降低 66%，并在 DeepResearch Bench 上达到 SOTA。文章指出应简化编排逻辑、利用模型工具调用能力的演进，并采用线性上下文管理替代传统的 ReAct 模式。