Amazon Quick 与 Bedrock Knowledge Bases 引入 RAG 实时 ACL 校验
Amazon Quick 与 Amazon Bedrock Knowledge Bases 引入实时访问控制列表（ACL）校验，通过预检索过滤与查询时向权威源验证的两阶段架构，确保 AI 回答严格遵循企业权限。
#RAG
#RAG
今日 0 条AWS Machine Learning BlogAI 评分5252
AWS Machine Learning BlogAI 评分1212 Qlik 如何利用 Amazon Bedrock 构建企业级可信 AI
Qlik 利用 Amazon Bedrock 构建 Qlik Answers，解决企业员工获取可信数据答案的需求。该系统通过分层架构实现精准路由，结合 Amazon OpenSearch Service 检索与 Guardrails 安全过滤，确保回答有据可查。自 2026 年 2 月全面上线以来，其 Discovery Agent 已为客户发现超 10 万次异常，显著提升了企业运营效率。
Google DeepMind精选AI 评分7575 Google DeepMind 发布开源多模态嵌入模型 EmbeddingGemma 2
Google DeepMind 发布 EmbeddingGemma 2，这是一个基于 Gemma 4 架构的 7.4 亿参数多模态嵌入模型，原生支持文本、代码、图像、音频和视频的统一嵌入空间。
推荐理由：7.4亿参数原生多模态模型，支持端侧运行与向量截断，适合隐私优先的本地检索场景。
AWS Machine Learning Blog精选AI 评分7575 使用 LangChain 和 Amazon Bedrock 实现智能体检索
Amazon Bedrock Managed Knowledge Base 新增 AgenticRetrieveStream API，通过规划循环分解多意图查询以提升召回率。文章对比了标准 Retrieve 与智能体检索在复杂问题上的表现差异，并提供了基于 LangChain 的完整实现代码与路由策略。
推荐理由：原文对比了标准检索与智能体检索在复杂多意图场景下的召回差异，并给出了基于查询形状的路由策略。
MIT Technology Review · AIAI 评分2020 MIT Technology Review 报告：企业 AI 智能体因缺乏知识难以落地
MIT Technology Review 报告指出，企业 AI 智能体因缺乏对数据的上下文理解，导致仅约 34% 的项目能进入生产阶段。数据碎片化是阻碍知识获取的主要挑战，55% 的受访者将其列为首要难题。生产领先者通过强化语义知识和构建知识层，显著提升了智能体的决策质量与落地率。
GitHub Blog · AI & MLAI 评分3030 GitHub Podcast 解析 AI 开发五大争议观点
GitHub Podcast 深入剖析 AI 开发中的五个争议性观点，指出开发者仍需阅读并负责 AI 生成的代码，AI 工具的使用关键在于判断力而非盲目依赖。文章澄清 Skills 与 MCP 解决不同问题，二者可结合使用；RAG 并未过时，而是与 Agent、Skills 共同构成工作流；代码可维护性比微调模型更重要。
Hugging Face Blog精选AI 评分8888 Sentence Transformers v6.0 多向量模型训练与微调教程
Sentence Transformers v6.0 引入 MultiVectorEncoder 支持 ColBERT 风格检索，并提供完整的训练与微调方法。作者使用 mLateOn-unsupervised 在医疗数据上微调，14.5 小时在单张 RTX 3090 上训练出的模型在 MIRIAD 基准上 NDCG@10 达 0.9139，超越所有通用检索模型。
推荐理由：提供了多向量模型微调的完整代码与评估数据，展示了在消费级显卡上训练出超越通用模型的方法。
Mistral AI精选AI 评分7878 Mistral 发布 Agentic Search 检索层
Mistral 发布 Agentic Search，提供 search、open、navigate、read、grep 五个工具实现多步检索与验证。在 FinanceBench 和 OfficeQA Pro 基准测试中，准确率最高提升 3 倍，延迟降低 39.6%，Token 消耗减少三分之一。
推荐理由：通过多步检索与导航工具提升复杂文档查询准确率，同时降低延迟与Token消耗。
Hugging Face Blog精选AI 评分8383 Sentence Transformers v6.0 原生支持多向量编码与 ColBERT 检索
Sentence Transformers 发布 v6.0 版本，原生引入 MultiVectorEncoder 以支持 ColBERT 风格的晚期交互检索。该更新统一了 PyLate、Stanford-NLP 和 colpali-engine 模型的加载接口，支持文本、视觉文档、音频和视频的多模态检索，并内置了 MaxSim 评分、Token Pooling 压缩及推理加速功能。
推荐理由：Sentence Transformers v6.0 原生支持多向量编码，统一了 ColBERT 等模型的加载与检索接口。
Hugging Face Blog精选AI 评分7272 JetBrains 发布 Mellum2 12B MoE 模型
JetBrains 发布 Mellum2，一个 12B 参数的 MoE 模型，每 token 仅激活 2.5B 参数，推理速度比同类模型快 2 倍以上。该模型开源并支持 Apache 2.0 协议，适用于路由、RAG、子智能体和私有部署。
推荐理由：原文给出了模型架构和性能数据，读者可以据此评估它在多模型系统中的路由和编排价值。
Hugging Face Blog精选AI 评分8080 Hugging Face 发布 Ettin Reranker 系列模型
Hugging Face 发布基于 Ettin ModernBERT 架构的六个 CrossEncoder 重排序模型（17M 至 1B 参数），采用点均方误差蒸馏自 mxbai-rerank-large-v2。在 MTEB 和 NanoBEIR 基准测试中，各尺寸模型均达到同规模下的最优精度，且得益于未填充注意力机制，推理速度比同类模型快 1.7 至 8.3 倍。
推荐理由：基于ModernBERT架构蒸馏出六个尺寸模型，在同等参数量下精度超越主流模型且推理速度显著领先。
Hugging Face Blog精选AI 评分6060 PaddleOCR 3.5 新增 Transformers 推理后端
PaddleOCR 3.5 发布，支持通过设置 engine="transformers" 使用 Hugging Face Transformers 作为推理后端。该更新让 PP-OCRv5 等模型更自然地融入基于 Transformers 的 RAG 和 Agent 工作流，同时保留原有 Paddle 后端以保障吞吐量。
推荐理由：PaddleOCR 3.5 新增 Transformers 推理后端，降低在 Hugging Face 生态中集成文档解析的门槛。
Hugging Face Blog精选AI 评分8282 IBM 发布 Granite Embedding Multilingual R2 多语言嵌入模型
IBM 发布基于 ModernBERT 架构的 Granite Embedding Multilingual R2 系列多语言嵌入模型，包含 97M 和 311M 两个版本，支持 200 多种语言和 32K 上下文窗口。
推荐理由：IBM 发布基于 ModernBERT 的多语言嵌入模型，在 32K 长上下文和 97M 极小体积下实现开源同类最高检索质量。