Postgres 中向量内联存储与独立表对比：AlloyDB Omni 实测 join 开销

Gleb Otochkin 在 AlloyDB Omni 上用 3 万行商品数据和 vector(768) 嵌入，实测语义搜索、过滤查询和多表 join 三类场景下向量与业务数据同表存储与独立嵌入表加主键 join 的性能差异。

OpenRouter 发布 2026 年最佳嵌入模型选型指南，覆盖 37 个目录条目

OpenRouter 于 2026 年 9 月 11 日核实嵌入模型目录共 37 个条目，并通过自家 embeddings API 向 19 个模型发送批量请求、共 28 项检查，确认请求与响应行为。

百度智能云牵头制定的4项人工智能国家标准发布，2026年8月27日起实施

百度智能云联合中国电子技术标准化研究院牵头制定的四项人工智能国家标准正式发布，自2026年8月27日起实施，由全国信息技术标准化技术委员会（TC28）归口管理。

OpenAI 发布 Astra for Law 法律行业基础方案

OpenAI 发布 Astra for Law，将 GPT-6 Astra 配合法律搜索索引和 Legal 分析写作指令，面向律所和法律科技公司。在 Vals AI Legal Research Bench 私有验证集 200 道美国法律研究题上，最高推理强度下整体正确率 54.0%，比仅用网页搜索的 GPT-6 Astra 的 38.7% 相对提升 40%。

LangChain 开源 Deep Life Sci：面向临床与实验室科学家的智能体助手

LangChain 发布开源智能体助手 Deep Life Sci，面向临床和实验室科学家。它接入 600K+ ClinicalTrials.gov 研究、2900 万 PubMed 摘要和 1200 万 PubMed Central 全文，并用沙盒子智能体进行真实数据分析。

LlamaIndex：为什么更好的抽取模型并不能缩小你的文档复核队列

LlamaIndex 发文分析 OCR 文档处理中准确率与自动化率的关系，指出路由门控而非读取能力决定直通处理率。文中算例显示 20 个字段的发票在 97% 每字段准确率下仅约 54% 文档全对，94% 准确率但带每字段置信度的 Pipeline B 可自动放行 92% 文档，而 97% 准确但无信号的 Pipeline A 直通率为 0。

PostgreSQL 向量嵌入更新引发的 TOAST 膨胀实测与分表方案

Google 的 Gleb Otochkin 在 AlloyDB Omni 上实测嵌入向量版本更新对 PostgreSQL 存储的影响：在含 768 维向量和 HNSW 索引的 20k 行表上更新全部向量后，表、TOAST 和索引体积几乎翻倍（TOAST 从 81 MB 到 159 MB，HNSW 索引从 78 MB 到 156 MB），约一半空间被死元组占据。

LlamaIndex 解析 just-in-time Agentic OCR：两遍式文档处理如何平衡成本与精度

LlamaIndex 博客提出 just-in-time Agentic OCR 模式：先用 LiteParse 等免费解析器粗读全部文件供检索，再仅对相关页面调用 VLM 做 OCR。

Perplexity@perplexity_aiAI 评分3030

Perplexity 发布研究博客，介绍其为支撑搜索结果嵌入与排序模型构建的 SoTA 推理服务基础设施。研究说明 Perplexity 每个答案的第一步都由嵌入和排序模型为查询挑选最相关结果，全文见 https://www.perplexity.ai/hub/blog/fast-embeddings-on-gpus。

NeoMME 发布 260M 与 800M 多语言多模态编码器，权重以 Apache 2.0 开源

H Company 团队发布 NeoMME，含 260M 和 800M 两个尺寸的多语言多模态编码器，用单个双向 Transformer 从零处理文本 token 和 32×32 图像 patch，不使用预训练视觉塔或因果语言模型，训练采用掩码离散扩散目标，每个模型处理约 5240 亿 packed token。

Meta 构建“组织第二大脑”AI Agent，从专家反馈中沉淀机构知识

Meta 发布技术博客，介绍其为合规领域构建的 AI Agent，用结构化知识系统加可组合 recipes 复现专家推理方式，专家反馈经诊断、编译、验证和人工审核后写入 200+ 知识文件，无需重新训练模型。六周三轮开发后，单项评估时间从数天缩短到数分钟，改进周期内零回归，每轮修复自动加入回归测试集。

OpenBMB@OpenBMBAI 评分4747

清华NLP团队（OpenBMB成员）推出九歌推敲（Jiuge-Tuiqiao），入选EMNLP 2026系统演示。该工具将古诗创作建模为字符矩阵与锁定矩阵，用户锁定字词后模型在剩余位置硬约束生成，并附28,739条搭配、PPL排序名句等四类证据供用户决策。在50行完形任务中，结合名句证据将Hit@1从12%提升至60%；80次生成请求中格律与押韵合规率达100%。

Databricks 如何用结构化图表提取增强智能体检索

Databricks 提出通过结构化图表提取来增强智能体检索能力，帮助智能体更准确地理解企业文档中的图表数据。该方法将图表内容转化为结构化格式，使检索系统能更高效地定位和引用关键信息，从而提升智能体在复杂业务场景中的回答质量与可靠性。

Cohere@cohereAI 评分4646

推出 Cohere Parse 5。这是我们最新的文档解析模型，拥有市场上最强的性价比。 非常适合高吞吐量的企业工作。在保持每页价格处于行业低位的同时，获得高质量的解析准确率。

Cohere 发布企业文档解析模型 Parse

Cohere 发布面向企业文档的视觉语言模型 Parse，可将多模态文件转为结构化 Markdown，支持表格、图片理解和 9 种主要语言。

用 Sentence Transformers 训练与微调多向量嵌入模型

Sentence Transformers v6.0 新增第四种模型类型 MultiVectorEncoder，支持 ColBERT 风格的后交互检索，并配套完整训练流程。

OpenWiki 如何构建自纠错记忆：用证据支撑的声明检测过时知识

OpenWiki 利用证据支撑的声明来检测过时知识、减少模型幻觉，并为不断演进的代码库构建自纠错记忆。该方法通过将知识声明与可验证证据关联，使系统能自动识别并修正已失效的信息，从而提升长期记忆的准确性与可靠性。

WorkBuddy@WorkBuddy_AIAI 评分4242

WorkBuddy 现已连接 @NotionHQ。 将你散落在 Notion 工作区的文档、笔记和知识，汇入 WorkBuddy 中的答案与操作。 你的工作区变得更加互联。

AlloyDB ScaNN 如何将向量搜索扩展到 100 亿向量

AlloyDB 的 ScaNN 索引现已支持超过 100 亿向量的规模，通过全新的四层树架构（预览版）实现，将查询复杂度从 O(N^1/2) 降至 O(N^1/4)。内部测试中，该架构在 100 亿向量规模下可实现 p95 延迟不超过 51 毫秒、召回率达 95%。该功能可通过快速入门指南部署，新用户可享受 30 天免费试用。

Mistral 推出 Agentic Search：多步检索提升 AI 系统复杂文档查询准确率

Mistral 发布 Agentic Search，通过 search、open、navigate、read、grep 五工具的多步检索循环，让模型在长文档与多来源中查找、定位并验证信息。

OpenRouter 视觉指南：如何通过 API 向多模态模型发送图像

OpenRouter 发布视觉指南，详解通过 Chat Completions API 向多模态模型发送图像的方法。请求体采用 messages 数组，用户消息的 content 包含 text 和 image_url 两部分，支持公开 URL 或 base64 数据 URL 两种格式，兼容 PNG、JPEG、WebP 和 GIF。

OpenRouter@OpenRouterAI 评分3636

编码智能体的代码检索在 OpenRouter 上有了新选择。 来自 MongoDB 旗下 @VoyageAI 的 Voyage Code 4 支持 256、512、1024 和 2048 维度的 Matryoshka 嵌入向量，并提供多种量化选项。 试用：https://openrouter.ai/voyageai/voyage-code-4

OpenRouter@OpenRouterAI 评分4646

OpenRouter 上，编码智能体的代码检索有了新选择。 MongoDB 旗下 Voyage AI 推出的 Voyage Code 4 支持 256、512、1024 和 2048 维度的 Matryoshka 嵌入向量，并提供多种量化选项。 试用：https://openrouter.ai/voyageai/voyage-code-4

OpenBMB@OpenBMBAI 评分5656

清华NLP等机构推出CheckRLM，一个在推理过程中实时检查并纠正事实错误的RAG框架，而非事后审计。在2WikiMQA上，CheckRLM用QwQ-32B达到73.4 F1，比Search-o1用更少token（1364 vs 2008）和更短时间（3.3s vs 3.9s），并在最难MuSiQue集上超越最强基线+6.3 F1。

LlamaIndex 解析 LLM OCR：错误更安静了，但没有更少

LlamaIndex 发布长文分析 LLM OCR 的核心风险：视觉证据弱时语言先验主导，模型会把读不清的数字替换成流畅但错误的值，或静默截断长表格，且没有逐字符置信度可供设阈值。

LlamaIndex 发布 Parse Gateway：按页级复杂度路由文档解析器

LlamaIndex 发布 Parse Gateway，基于 LiteParse v2.2.0 的 is_complex 功能在页面级估计文档复杂度，并把每页路由到不同 LlamaParse 层级，简单页走免费进程内 LiteParse，复杂页升级到更高 tier。

Fireworks 发布 Qwen3-Embedding-8B 低成本对比微调配方

Fireworks 发布一条低于 10 美元、约 150 步的对比微调配方，将 Qwen3-Embedding-8B 适配到特定检索领域。

OpenBMB@OpenBMBAI 评分5454

清华NLP与东北大学提出KG-Infused RAG，将知识图谱（Wikidata5M，约2100万三元组）引入RAG，通过“扩散激活”机制同时检索文本段落与结构化事实。

OpenBMB@OpenBMBAI 评分3737

清华大学 OpenBMB 联合多所高校提出 KARE-RAG，不优化检索器，而是训练生成器在噪声上下文中鲁棒地利用信息。该方法将生成分解为知识图谱构建、链式推理和答案生成三步，并引入 DDPO（密集直接偏好优化）解决结构化输出中标准 DPO 的权重浪费问题。在 Llama-3.1-8B 上，KARE-RAG 实现跨领域 EM +4.18%、F1 +3.52%，且无需改动标准 RAG 推理管线。

Apple 提出 CLaRa：用连续潜在推理桥接检索与生成

Apple 机器学习研究团队提出 CLaRa，一种通过连续潜在推理桥接检索与生成的新方法。该方法在检索增强生成（RAG）中引入连续潜在空间，使模型在生成答案前先进行隐式推理，从而缓解长上下文带来的性能下降。CLaRa 在多个知识密集型基准上提升了 LLM 的准确率与效率。

LlamaIndex 发布 Retrieval Harness，扩展 LlamaParse Index 检索能力

LlamaIndex 宣布扩展 LlamaParse Index，新增 Retrieval Harness，为 Agent 提供文件系统式文档遍历工具，包括 Hybrid Retrieve、List Files、File Grep 和 File Read。

LangChain 详解 SmithDB 倒排索引构建：从压缩到跨存储查询路由

LangChain 公开了 SmithDB 中全文搜索功能的实现细节，核心是构建并压缩倒排索引。该方案将索引数据路由至本地 SSD 与对象存储，以平衡查询性能与存储成本。

LlamaIndex 发布 n8n 官方验证版 LlamaParse Platform 节点 v5 与 v6

LlamaIndex 发布 n8n 社区节点 LlamaParse Platform 的 v5 和 v6，该节点已随与 n8n 的合作成为官方验证的社区节点。

Liquid AI 发布 LFM2.5-ColBERT-350M 与 LFM2.5-Embedding-350M 双向多语言检索模型

Liquid AI 发布两款 350M 参数多语言检索模型 LFM2.5-ColBERT-350M 和 LFM2.5-Embedding-350M，是 LFM 家族首批双向模型，支持 11 种语言的跨语言检索。

小红书联合浙大推出 RedParrot：基于语义缓存的 NL-to-DSL 加速框架（ICDE 2026）

RedParrot 是一种面向企业级商业分析的 NL-to-DSL 加速框架，通过查询语义缓存、骨架匹配、实体无关表示学习和多源异构 RAG，将多阶段 LLM 工作流压缩为短链路生成。在小红书真实业务数据集上，平均实现 3.6x 推理加速，执行准确率提升 8.26%，表选择准确率达 85.99%；在开放基准 Spider-DSL 和 BIRD-DSL 上，准确率分别提升 29.9 和 39.7 个百分点。P90 延迟降低至约 21 秒。框架采用短链路与长链路双路径兜底，支持增量缓存更新。

LangChain 推出 LangSmith 公共基准，支持共享与对比 LLM 评估结果

LangChain 发布 LangSmith Benchmarks，允许用户公开分享和对比大语言模型评估结果。该功能支持在社区数据集上测试 RAG 系统、AI 智能体和架构，帮助团队更高效地比较不同模型与配置的性能表现。

使用 Pinecone Serverless、LangChain 和 LangServe 构建并部署生产级 RAG 应用

LangChain 与 Pinecone Serverless 集成，提供构建生产级 RAG 应用的完整方案。该方案支持按用量计费的可扩展部署，并内置可观测性功能，帮助开发者快速将原型转化为可上线的 AI 应用。

OpenBMB@OpenBMBAI 评分4343

面壁智能 OpenBMB 联合清华NLP、慕尼黑工业大学等发布 FactNet，构建十亿级开源多语言知识图谱。它将 1.7B 原子断言统一为 1.55B FactSynsets，附带 3.01B 来自 316 种语言维基百科的字节级可追溯证据（页面ID、修订版ID、Unicode偏移），99.63% 精确重定位。人工审计 4,200 项，设计加权精度 92.1%（低资源语言 88.5%）。FactNet-Bench 包含 KGC、MKQA、MFC 三项任务，显式惩罚信息泄露，为可验证 AI 提供结构化事实基础。

LlamaParse 推出 Granular Bounding Boxes，支持行、词、单元格级坐标追踪

LlamaIndex 为 LlamaParse 推出 Granular Bounding Boxes，可在整个文档中提供行级、词级和表格单元格级的坐标追踪。该功能通过在任务创建时传入 granular_bboxes 参数开启，目前处于 beta 阶段，向所有付费层级开放。只有页面上明确存在的文本会获得坐标，推断值、AI 摘要和重建内容没有边界框，可用于审计级引用和高精度 PII 脱敏。

谷歌推出基于 Gemini Enterprise Agent Platform 的 Agentic RAG 框架

Google Research 与 Google Cloud 合作推出跨语料库检索（Cross-Corpus Retrieval）框架，作为 Gemini Enterprise Agent Platform 的 Agentic RAG。该多智能体工作流将复杂企业查询分解为子任务，通过规划、重写和路由，迭代搜索多个数据源直至获得充分上下文，再生成可靠回答。与标准 RAG 相比，在事实性数据集上准确率最高提升 34%；在多个领域特定内部数据集上也实现了更好的接地与推理准确性。