NVIDIA 推出 Nemotron 3.5 Embed、Rerank 和 Parse 系列模型,旨在通过优化检索质量减少智能体的推理 Token 消耗。该方案针对企业级场景,通过提供更精准的证据支持,帮助智能体以更少的步骤获得可靠答案。
重排序
Reranking
对初步检索结果进行精细打分以优化最终排序的技术
收录情报动态
NVIDIA 宣布大幅扩展其开源模型家族,新增 Nemotron 3.5、Kumo、Cosmos 3.5 及 Ising 等模型,覆盖语言、机器人、生物及量子计算领域。此举旨在为欧洲主权智能提供基础,支持开发者利用本地数据定制并部署专用应用。
提出“决策袋”重排序概念,利用 LLM 为每个搜索查询动态生成 Yes/No 评估标准(Rubric),取代传统的静态相关性判断。该方法通过拆解查询意图为具体特征点(如尺寸、用途、安全性),显著提升检索结果对复杂语义的匹配精度,为 Jev 等前沿重排序模型提供新的提示工程范式。
LangChain 团队复盘了 OpenAI 演示日中披露的客户 RAG 实验,将多种检索技术映射到标准 RAG 架构栈中。文章强调不存在通用的“一刀切”方案,不同业务问题需匹配特定的检索技巧(如距离向量库、重排序等),并提供了相应的实现思路。
Hugging Face 发布基于 ModernBERT 的 Ettin Reranker 系列,包含六个不同参数规模(17M-400M)的交叉编码器。该系列在各自尺寸下达到 SOTA 性能,并完整开源了训练数据与配方,为检索增强生成(RAG)提供高效重排序方案。
Sentence Transformers 库发布 v5.4 版本,正式引入对文本、图像、音频和视频的多模态编码与比较能力。开发者现可通过统一 API 构建跨模态检索增强生成(RAG)及语义搜索应用,显著简化了多模态嵌入模型和重排序模型的部署流程。
阿里通义千问团队正式开源 Qwen3-VL-Embedding 和 Qwen3-VL-Reranker,基于 Qwen3-VL 基础模型构建。该系列支持文本、图像、视频等多模态输入的统一表征与高精度重排序,覆盖图文检索、VQA 等任务,并支持 30+ 种语言及灵活向量维度配置。