搜索“搜索”

内容类型：重点报道发布于 2026 年 11 月 5 日 更快的检索，带来更好、更高效的 RAG 最大内积搜索（MIPS）是推荐系统、搜索和检索增强生成（RAG）的核心。给定一个查询向量，MIPS 系统会在包含数百万个候选键向量的数据库中搜索与查询最匹配的那一个。随后，与该最佳匹配键相关联的原始数据点被用于处理该查询：在 RAG 中，最适合回答该问题的文档通常会被前置到查询之前。 随着键的数量增长到数百万、向量维度达到数千，将查询与所有键逐一进行穷举比较的计算成本会急剧上升。人们已经提出了许多近似方法，利用聚类和量化来以精度换取速度。这些基线方法关注的是键集合的性质，以构建巧妙的索引结构，但它们的几何论证粗略地假设查询集合本身会与键集合相似，或者完全回避了对查询形态的任何考量。这在两个方面可能带来问题：在关键的 RAG 场景中，查询来自用户生成的简短问题，而键则代表冗长、信息丰富且经过精心整理的文本片段，这使得键与查询存在显著差异。 此外，生产环境中部署的大多数 MIPS 用例面向的是已有的用户群体，其查询分布稳定且特征明确——这一信号表明，通用的、与查询无关的方法尚有未被利用的空间。

匹配字段正文

行评估。在生物、化学、网络、大规模说服与影响力行动以及一般有害内容领域，Shade在每个场景中最多进行200次尝试，以寻找绕过模型防护措施的方法。这项测试贯穿整个开发过程，使我们能够在训练推进过程中评估模型行为。 Beam在生物和化学诱导方面表现出很强的抵御能力，相关尝试极少成功，且不到一半的场景能够被突破。在其余领域中，尝试也仅偶尔成功，不过持续性的自动化搜索仍可能在大多数场景中找到可行路径。这正是我们下一步关注的重点。Beam还参与了 Gray Swan的间接提示注入（IPI）竞技场, 这是一个与英国AI安全研究所及主要模型开发者共同构建的公开红队测试竞赛；Beam也参与了Gray Swan为期三周的间接提示注入公开漏洞赏金项目，我们与其他前沿实验室共同赞助了该项目。 在化学武器方面，Beam在WMDP-Chem（一项包含408道题的化学危害知识评估）上得分为62.4%，而得分最高的模型为78.2%。该基准衡量的是相关知识，而非开发或部署化学武器的能力。除第三方测试外，这些结果也支持了我们的评估，即Beam的能力仍处于现有开放权重模型领域之内，并未实质性增加有害活动的规模、复杂程度

匹配字段正文

继续演变。 一些前沿供应商已偏离零数据保留（ZDR）政策，例如 Anthropic 的前沿层级引入了 30 天最低保留期 [8]。对于合规政策围绕“任何提示或补全内容都绝不存储”原则制定的企业而言，上游政策变化可能带来问题，并可能需要系统变更。 5. 企业希望获得对模型治理的可见性和控制权。 对跨 AI 模型的端到端可见性和治理的需求正在增长。客户希望获得可搜索的模型输入、输出、错误和智能体操作记录，以便团队评估准确性并提升性能，同时希望获得集中控制以保护敏感数据和知识产权。 6. 测试框架与模型同样重要。 Databricks 的研究表明，模型周围的脚手架——即由提示、工具和控制流组成的测试框架——会改变测得的性能。在 Databricks 自己的基准测试中，同一模型在一个测试框架中得分为 61.7%，在另一个中为 48.1%，而在裸模型下为 38.4% [9]。由于测试框架的选择会改变基准测试结果，评估应同时测试模型和测试框架。 7. 开放权重模型已赶上前沿模型。 顶级开放权重模型如今的基准测试水平已可与顶级前沿模型相媲美，且成本更低 [3][4][5]。这在十八个月前并不成立。开

匹配字段正文

见且各不相同的范式进行了对比评估： 零样本分类器：标准的“一次性”方法。用户编写初始提示词，但无法看到边缘案例，也无法在模型误解边界时进行调整。 建模合作者：一种自顶向下的自动化方法，由 AI 智能体尝试自行拆解概念。虽然它能自动生成标准，却将用户排除在流程之外，使用户无法引导或纠正其逻辑。 人工审议：这种繁琐的暴力现状流程，用户要在电子表格中检查数据、猜测搜索查询以发现异常，并手动重写原始提示词。 结果 实时用户会话表明，Agile Deliberation 能产出性能更高的分类器模型，同时大幅改善用户体验。 提升一致性与性能 我们发现，参与结构化审议流程的研究参与者在随时间推移中表现出显著更高的一致性标注水平。通过尽早解决边界模糊问题，他们构建的分类器大幅优于所有标准基线。这些性能提升在最具挑战性的主观图像上最为显著——而这正是传统分类器通常失败的领域，因为它们依赖默认的、通用的 AI 假设，而非用户明确而细致的意图。 消除盲点 专家参与者报告称，该系统是一个有效的诊断工具。通过有意提供令人困惑的边界图像，AI系统帮助他们发现了初始定义中的“盲点”——揭示了在遇到模糊的真实世界示例

匹配字段正文

接Oracle Corp.、SAP SE、Workday Inc.、Atlassian Corp. PLC和ServiceNow Inc.的应用，以收集有关预算、进度、人员配置和项目依赖关系的信息。 Smartsheet表示，AI智能体可以将战略文档、电子表格和预算提案转化为结构化计划，模拟替代情景，并对照这些计划监控执行情况。一个偏差检测智能体（如图）持续搜索新出现的问题，而其他智能体则生成高管报告，并随着业务优先事项的变化推荐调整方案。 该系统还可以跨组织层级追踪中断的后果。“如果Jira工单出现延误，且其影响向上波及五个层级，我们能够检测到并告诉你正在发生什么，”Arora说。 历史数据优势 Smartsheet表示，其历史工作流数据相比竞品规划和工作管理产品具有优势。Arora说，Execution Graph构建在现有的Amazon Web Services Inc. Neptune知识图谱之上，该图谱包含约1亿个节点，并纳入了有关工作流模式、依赖关系和协作的信息。 该公司使用多个基础模型，根据工作负载需求和成本进行选择。AWS和Databricks Inc.是其主要的底层技

匹配字段正文

全地满足 namespace 要求的沙箱，无论使用哪个提供商。 容器边界还不够 沙箱将 AI 生成的或其他不受信任的代码与 Figma 服务器上运行的其他进程隔离开来。但从安全角度来看，这还不够。代码仍然可以通过网络发送我们不希望离开沙箱的信息。最直接的解决方案是实现严格的网络允许列表，但对于我们想要构建的产品来说，这往往过于简单粗暴。AI 工作负载可能需要搜索和读取互联网上的任意页面，而允许列表会阻止这一点。 在构建 Nimbus 的过程中，我们最终确定了一种对读取和写入区别对待的解决方案。通过 namespace，产品团队可以显式允许一份完全受信任的主机列表——代码可以从这些主机读取数据或向其发送数据。对于该列表之外的目标，Nimbus 仅允许 读取请求——、 或 ——且不带请求体。这对于网络搜索和页面检索等功能来说已经足够，而 、 或任何带有请求体发往任意端点的请求仍会被阻止。如有必要，产品团队还可以动态更新正在运行的沙箱的策略。 读取请求——GET, HEAD，或 OPTIONS——且不带请求体。这对于网络搜索和页面检索等功能来说已经足够，而 POST, PUT，或任何带有请求

匹配字段正文

用中获得的经验相结合。 第一个是 内部企业知识库： 它整合了内部业务术语表、数据字典、SOP、监管指南、已批准的数据质量规则、经验证的脚本、剖析结果、历史异常以及主题专家（SME）反馈。内容经过摄取、向量化，并通过检索增强生成（RAG）进行检索，以生成基于企业标准和已验证成果的数据质量规则。 第二个是 外部参考知识库： 它使用已批准的标准化数据质量框架、网络搜索和受控网络抓取来构建并定期更新。当选择数据集时，智能体会分析表和列元数据，并从可信来源检索相关的数据质量标准、参考值和校验最佳实践。例如，对于 NPI（国家提供者标识符）列，它可以识别适用的质量标准、推荐格式（必需的 10 位数字格式）并执行参考值校验检查。 工作原理 图 3：数据质量智能体流程 数据质量智能体在单一工作流中引导用户从数据剖析走向规则创建和治理： 选择源： 连接到受支持的源，例如 Amazon Redshift 或 Snowflake。 选择数据库和架构： 浏览可用的表，并查看每个表的规则数量和活动规则状态。 剖析数据： 该解决方案计算表的质量指标和列模式，供用户审查。 检测异常： 该解决方案对照历史基线标记异常

匹配字段正文

助团队提升智能体质量、性能和成本效率。 Netlify：Netlify Enterprise 将应用、网站和智能体部署到全球边缘网络，每次变更都会生成预览 URL。它帮助团队将用 Claude 构建的内容从原型推向生产环境，无需配置基础设施，并包含 SSO、基于角色的访问控制和审计日志。 用于营销和创意工作的工具 AirOps：AirOps 提供用于 AI 搜索策略、内容和多渠道执行的智能体平台。它帮助营销团队分析品牌在 AI 搜索中的表现，并将结果与销售管线和收入关联起来。 Runway：Runway 可生成和编辑视频、图像和音频。它帮助创意和营销团队将简报转化为成品素材，并用自然语言编辑素材。 Webflow：Webflow 提供用于构建、管理和优化网站的内置工具。它帮助营销人员、设计师、开发者和智能体进行更改，并内置控制与治理机制。 面向每个团队的生产力应用 Asana：Asana AI Teammates 是预构建的智能体，它们使用 Asana Work Graph 中的上下文，每个智能体都有自己的身份、限定范围的权限和审计轨迹。它们帮助团队处理多步骤工作，并将需要判断的决策路

匹配字段正文

hon 代码将它们变成可用的 RAG 流水线。 单一 API. 这是 Cohere 迄今最强大的检索模型，在企业文档和复杂检索任务上均展现出领先性能。如果你已经在使用 OpenRouter，可以立即开始使用——沿用现有模型所用的同一 API 密钥和额度，无需任何额外设置。 RAG 会在 LLM 撰写答案之前先检索相关片段，从而让答案以你自己的数据为依据。嵌入搜索提供了一种快速有效的第一阶段近似。随后，重排序器会同时读取查询和每个候选片段，为已检索到的内容增加精确度。 Cohere 模型的两个特性塑造了这一设计： Embed 5 Pro 与 Fast 共享同一个嵌入空间。 使用 embed-5-pro 建立索引以获得质量，然后使用 embed-5-fast 进行查询以降低延迟。 Rerank 5 的分数经过校准。 分数在不同查询和领域之间含义一致，因此可以用同一个相关性阈值在弱上下文到达 LLM 之前将其过滤掉。 到最后，你将拥有一个简短的 Python 脚本，能够基于你的文档回答问题并给出带分数的引用。同样的方法几乎可以应用于任何检索用例，从企业搜索和客户支持到知识管理和文档发现。 R

匹配字段正文

作负载高度多样：Together 每天为数千名客户提供数万亿 token 的服务，每个客户的流量形态各不相同（批大小、序列长度、MoE 专家不均衡、注意力稀疏性、会话时长、领域）。 硬件高度多样：H100、B200、B300、NVL72、VR、Groq 等各自需要不同的策略。 理论上，智能体非常适合解决这个问题。它们能够适应新的工作负载，并在可能的优化空间中搜索，而不依赖那些困扰人类专家和传统机器学习编译器的固定规则或启发式方法。然而，当今的智能体系统受限于实验速度。 我们推出 Together Compiler（TKCC），这是首个 真正 持续 的优化循环，利用高吞吐智能体针对多样化的推理工作负载进行优化 在不到 24 小时内，TKCC 在前沿开源模型（Kimi K3、GLM 5.3、MiniMax M3.1-Flash、DeepSeek v4.1-Flash）上实现了最高 2.6 倍的 TPS 提升，在 SemiAnalysis 的 InferenceX 低延迟基准上创下当前最好成绩——MiniMax M3.1-Flash 达到 1111 TPS，DeepSeek v4.1-Fla

匹配字段正文

今天宣布的项目之一，是实现 Polymorphic Inference 目标的第一步： Together Compiler, 一个由 AI 驱动的快速性能优化 RSI 循环。如今，Together Compiler 为 持续编译 覆盖了我们许多顶级生产推理工作负载的优化循环。 Together Compiler 将优化推理工作负载这一经典挑战重新定义为智能体搜索问题，而非传统的编译器翻译问题。Together Compiler 识别出一组核心的关键优化模式，并将一群智能体与一个高保真持久化引擎配对，以实现快速迭代。这项工作由 Together 的 Frontier Performance 团队历时数月完成，主要贡献者包括 Reyna Abhyankar 和 Dylan Lim！ Together Compiler 目前已在生产环境中运行 生产环境中 如今，在我们一些最受欢迎的无服务器端点上，它在已经高度优化的代码基础上又取得了进一步的提升。 令人兴奋的是，Together Compiler 赋予了我们这样的能力： 快速适应 快速适应不断变化的模型架构和流量负载。我们将这种能力称为 持续

匹配字段正文

载高度多样：Together 每天为数千名客户提供数万亿 token 的服务，每个客户的流量形态各不相同（批大小、序列长度、MoE 专家不均衡、注意力稀疏性、会话时长、领域）。 硬件高度多样：H100、B200、B300、NVL72、VR、Groq 等各自需要不同的策略。 理论上，智能体非常适合解决这个问题。它们能够适应新的工作负载，并在可能的优化空间中进行搜索，而不依赖那些困扰人类专家和传统机器学习编译器的固定规则或启发式方法。然而，当今的智能体系统受限于实验速度。 我们推出 Together Compiler（TKCC），这是首个 真正 持续 的 RSI 系统，利用高吞吐智能体针对多样化的推理工作负载进行优化. 在不到 24 小时内，TKCC 在前沿开源模型（Kimi K3、GLM 5.3、MiniMax M3.1-Flash、DeepSeek v4.1-Flash）上实现了 1.3-3 倍的 TPS 提升，在 SemiAnalysis 的 InferenceX 低延迟基准上取得 SOTA，MiniMax M3.1-Flash 达到 1111 TPS，DeepSeek v4.1-F

匹配字段正文

奥秘。让馆藏——以及其背后的研究——为全球观众所触及，始终是核心要务。 Google Arts & Culture 于 2022 年首次与 Courtauld 合作，利用 Google 的 Art Camera 以非凡的深度和细节捕捉16件标志性作品。这是第一次，任何地方的任何人都能追随马奈的笔触在《女神游乐厅的吧台》画面上非凡的游走。 艺术家驻留计划 除了《观看的艺术》，Courtauld 与 Google Arts & Culture 还宣布了一项新的艺术家驻留计划，旨在探索如何利用 AI 发掘 Courtauld 丰富的摄影收藏。这为让这些图像可被搜索、并将其与全球学习课程相连接奠定了基础。 我们期待看到这些工具如何向新受众开放艺术教育，并创造更具沉浸感的学习方式。立即前往以下网址探索《观看的艺术》： goo.gle/courtauld. 获取最新资讯，直达您的收件箱 订阅我们的新闻通讯，获取产品更新、活动信息、特别优惠等更多内容。 完成了。只差一步。 请查收您的收件箱以确认订阅。 您也可以通过以下方式订阅。 您的信息将按照 Google 的隐私政策。 您可以随时退出。 发布于：

匹配字段正文

/4；DeepSeek-V4.1-Flash-1017：2.97/4；Kimi K3.1 Pro：2.68/4；GLM-5.3：2.68/4）。此外，在金融智能体公司讯兔科技的内部评测 IRAB 中，Hy4 较 Hy4 preview 提升 12.03 个百分点。为了提升金融等各类办公场景的实用性，我们还启动了针对时效检索、多源信息整合与事实一致性校验的专项搜索优化。在自建测试中，Hy4 的幻觉率从 Hy4 preview 的 15.76% 降至 5.45%，猜测导致的错误率从 23.1% 降至 5.6%。此外，Hy4 还重点提升了办公场景中的人机双写能力，支持用户与 Hy 实时协作编辑 Word、Excel、PPT 等办公文件。盲评显示 Hy4 相比 Hy4 preview 在文档美观度、稳定性和可用性上均有明显提升。 [[items]] title="买方分析师工作台" type = "video" media src = "https://hy-model-ap-prod-1258344703.cos.ap-guangzhou.myqcloud.com/llm-blog/defa

匹配字段正文

骗，其账户也不会被攻陷。 审计你的面向公众攻击面。让编码智能体扫描你的公共域名，了解你的系统暴露程度。假设任何公共系统都已被拥有前沿模型的攻击者盯上。 为员工部署密码管理器。密码复用仍是最常见的攻击途径之一。密码管理器还有一个额外好处：只在正确的域名上填充密码，从而帮助防范钓鱼攻击。 为所有员工部署信誉良好的广告拦截器。Binance 的攻击链始于一名工程师搜索 AI 编码工具并下载了被篡改的安装程序。恶意搜索广告和仿冒下载页面是恶意软件进入开发者笔记本电脑的最常见途径之一，而广告拦截器（例如 uBlock Origin）可以消除其中很大一部分。 在 30 天内，你应该： 将所有企业设备纳入 MDM 和 EDR 管理。利用它们控制可安装的软件，并在笔记本电脑上的某些东西开始行为异常时获得可见性。 锁定浏览器和编辑器扩展。维护一份已批准的 Chrome 扩展（例如通过 Chrome Enterprise）和 VS Code 扩展的允许列表，并为扩展配置自动更新延迟。这有助于防范流行扩展被攻陷。 审计你的整个企业攻击面。正如我们在 Binance 攻击中所看到的，有动机的对手可以利用你的开

匹配字段正文

选的 Claude 执行过程。该分析会找出缺失的发布说明和重复读取的问题。 跨 trace 和会话查找反复出现的问题 MLflow Issues（Beta 版可用）使用 Genie Code 以识别反复出现的质量和运维问题。它会检查响应、工具调用、时序、错误和评估结果，然后将相关发现分组，并附上指向支持性 trace 的链接。示例包括浪费 token 的重复搜索、导致工具失败的缺失参数，以及不符合所需格式的响应。 你可以安排检测任务，让这项分析在新 trace 到达时持续运行。团队可以选择运行频率，使用元数据或标签聚焦特定流量，并自定义要查找的问题类型。修复后，问题监控器可以跟踪该问题是否再次出现。MLflow 会为该问题创建一个评分器，评估最近的 trace 以建立基线，并对新 trace 的样本进行评分，以衡量其随时间出现的频率。 一个手动编写的演示问题描述了重复读取文档的情况，并链接到三个受影响的 Claude trace。本次演示未运行问题检测。 让领域专家审查这些追踪记录 有些质量判断需要领域知识。 MLflow 审查队列 通过精选的 trace 和针对该 agent 定制的

匹配字段正文

队可以专注于我们最擅长的事情：为客户交付价值。” Dragos Munteanu，RWS 研究与产品开发副总裁 为每项任务选择合适的模型 没有单一模型在所有方面都最出色。Model Vault 让您为每项任务选择最合适的模型，并以相同的保护措施运行每一个模型。 Cohere 的模型。 Command 用于生成式和智能体工作，Embed 和 Rerank 用于搜索和检索，Parse 用于文档，Transcribe 用于语音，Translate 用于多语言工作流。 高性能开源模型。 除了我们自己的模型，Model Vault 还运行最常用的开源模型，包括 DeepSeek V4.1 Flash（OpenRouter 上最常用的开源模型）、GLM 5.3 Flash、MiMo V2.6 Pro、Gemma 4 和 NVIDIA Nemotron。GPT-OSS 和 Phi 模型也可用。 借助 Model Vault，您可以为每项任务选择最合适的模型，并在统一的、生产级推理栈中运行它。 探索 Model Vault 可用地区 Model Vault 今日已上线，并在美国、欧盟和加拿大提供区域化

匹配字段正文

以使用位于不同账户中的存储桶。 S3 存储桶 URL： 包含你的数据的存储桶的 S3 URI。该存储桶必须与 Amazon Quick 位于同一区域。 选择 下一步. 图 2：显示 S3 连接字段的创建集成对话框 步骤 2：创建知识库 创建 S3 集成后，Amazon Quick 会提示你创建知识库。知识库会为你的 S3 内容建立索引，以支持 AI 驱动的搜索。 配置知识库： 名称： “Business Knowledge Base”。 描述（可选）： 关于知识库将如何使用的说明。 内容： 选择“添加所有内容”以索引所连接 S3 存储桶中的所有内容，或选择“添加特定内容”以指定要包含的文件夹和文件的 S3 前缀（前缀筛选区分大小写）。 下一步： 其他设置会打开可选设置，用于文档级访问控制列表（ACL）和元数据文件文件夹。请在创建知识库之前决定是否使用 ACL，因为之后无法更改该选择。本演练使用示例数据，因此默认设置已足够。有关详细信息，请参阅 设置和管理 Amazon S3 集成. 选择 创建. 成功横幅会确认 S3 集成，知识库开始在后台建立索引。 图 3：包含 Business

匹配字段正文

d HLE-Diamond 是 Humanity’s Last Exam 的一个精炼的 1,000 题子集，用于衡量前沿专家级知识与推理能力。该集合平均分为 500 道推理题和 500 道知识题。 模型可以在无工具的情况下评分，以测试其通用知识和推理能力，也可以在配备工具（代码执行和网页抓取）的情况下评分。后一种设置通常在模型卡中报告。 对公开评测而言，网络搜索是一个棘手的问题，因为答案需要能够在网上被检索到，评测才有可能成立。 某处 ，评测才有可能成立。自然，人们会在其他地方转载这些解答，要么在同一站点（例如其他 Hugging Face 数据集），要么在类似站点和镜像（如 ModelScope），甚至直接搭建 定制网站来泄露解答. 针对这一问题的常见修复方法是域名黑名单，它在沙箱层面阻止对所列域名的访问。然而，这种方案无法扩展，因为黑名单需要持续维护，以应对不断扩张的互联网表面。 为了说明这一点：在 这条轨迹中，DeepSeek V4.1-Flash 1017 已经得出了自己的答案（0.070），却决定“再尝试一条途径：在模型评测日志中查找 HLE 答案，通过 openreward

匹配字段正文

探索科学用例 此处. 企业用户今天也可以在 Antigravity 上开始使用化学信息学，方法是选择“使用企业账号”，并使用您的 Google Cloud 凭据登录该应用。 为进一步加快研究步伐，我们向 10,000 名科学家免费提供 Google Antigravity 最高用量档，为期 6 个月（滚动入驻），但须符合资格、容量和遴选条件。申请 现已开放. 我们要感谢以下团队成员的贡献：Filip Radlinski、Artem Sobolev、Victoria Johnston、Hannah Kiely-Collins, Zachary Wu、Jue Wang、Jack Dunger、Adriana Fernandez Lara、Ngân Vũ、Doug Fritz、Yunhan Xu、Sebastian Nowozin、Pushmeet Kohli。 申请 Google Antigravity 最高用量档 在 Google Antigravity 上探索科学 相关文章 借助 Google Antigravity 加速抗菌肽的搜索2026年10月科学 了解更多 与古物对话 了解更多

匹配字段正文