使用 Amazon Bedrock AgentCore 生成演示文稿
AWS 的文章介绍了如何使用 Amazon Bedrock AgentCore 构建 AI 智能体系统，从企业文档创建面向客户的 PowerPoint 演示文稿。在内部测试中，该工作流在 90 秒内完成；它使用监督智能体、RAG 以及用于生成演示文稿和摘要的专用工具。文章还提供了包含代码资源的公开代码仓库。
全部动态 · 今日0条
#RAG
信源抓到、进了内容池的全部内容，按时间排列；精选只是其中一部分。
一手
模型厂商、公司和研究机构自己发布的消息：官网、官方博客和官方账号。
AWS Machine Learning Blog47 AWS Machine Learning Blog精选63 Orca Security 使用 Amazon Bedrock 处理自然语言安全查询
Orca Security 与 AWS 合作，基于 Amazon Bedrock 构建了 Discovery AI，可将自然语言问题转换为经过验证的 Sonar 查询，覆盖 900 多种云基础设施和应用模型。其架构结合了示例检索与重排序、相关架构选择、智能体生成和验证，并由领域专家持续更新示例库。与最初的基线相比，Orca 报告称成本降低了 90%，输入令牌减少了 93%，延迟降低了 75%，响应时间从约 60 秒缩短至 15 秒。
推荐理由：该架构提供了一种可迁移的方法来查询大型架构：检索经过验证的示例、选择相关架构片段，并将验证错误反馈给生成流程。
AWS Machine Learning Blog34 Amazon Quick 与 Amazon Bedrock 如何用实时 ACL 重构 RAG 访问控制
Amazon Quick 与 Amazon Bedrock Knowledge Bases 在预检索 ACL 过滤之外新增实时 ACL 校验，在查询时直接向权威数据源核实权限，避免依赖可能过期或映射错误的 ACL 数据。
AWS Machine Learning Blog22 Qlik 如何用 Amazon Bedrock 构建企业级可信 AI
Qlik 基于 Amazon Bedrock 打造 Qlik Answers，为全球超 4 万名客户提供可溯源的企业级问答，自 2026 年 2 月正式可用以来，其 Discovery Agent 已为客户发现超 10 万条异常与离群点。
Google DeepMind精选71 Google DeepMind 发布 EmbeddingGemma 2 开源轻量多模态嵌入模型
Google DeepMind 发布 EmbeddingGemma 2，基于 Gemma 4 架构、740M 参数，在 Apache 2.0 许可下开源，将文本、图像、音频、视频映射到统一嵌入空间。
推荐理由：EmbeddingGemma 2 把文本、图像、音频、视频统一到同一嵌入空间，并给出端侧内存与向量截断的具体数字，便于评估本地多模态检索的可行性。
AWS Machine Learning Blog38 用 LangChain 与 Amazon Bedrock Knowledge Bases 实现智能体检索
Amazon Bedrock Managed Knowledge Base 上线智能体检索，通过 AgenticRetrieveStream API 把多部分问题拆成子查询、循环判断证据是否充分并再次检索，替代单次向量搜索的 Retrieve API。
Hugging Face Blog精选62 Ai2 开源 AstaBrief 8B 科学报告生成模型
Ai2 开源 AstaBrief 8B，一个把研究问题和检索到的文献片段转成带引用报告的模型，基于 Qwen3-8B 经 SFT 和 DPO 训练，已作为 Asta 的 Fast 模式上线。
推荐理由：原文给出 AstaBrief 的训练数据构造与引用过滤细节，可迁移到其他长文生成模型的落地。
AWS Machine Learning Blog49 在 Amazon SageMaker AI 上用多轮 RL 微调搜索智能体
在 Amazon SageMaker AI 上可用多轮强化学习（MTRL）微调搜索智能体，将智能体任务建模为多轮决策序列，通过多轮 rollout 生成数据并用策略梯度优化模型。
AWS Machine Learning Blog38 用 Amazon Quick 和 Adjudicated Query 模式批量核查数千份租约合规性
AWS 提出 Adjudicated Query 设计模式，让业务用户在 Amazon Quick 聊天界面提问合规问题，实际判定交由确定性规则引擎完成。该模式通过完整性回执确保合规、违约、模糊、不可读记录之和等于扫描总数，避免记录被静默跳过，适用于租约合规、制裁筛查、保险理赔等高风险场景。
AWS Machine Learning Blog34 用 Amazon Bedrock Knowledge Bases 以自然语言查询理赔数据
Amazon Bedrock Knowledge Bases 新增 AgenticRetrieveStream API，可将理赔问题拆解为子查询并多轮检索，返回带引用的答案。
AWS Machine Learning Blog28 用 Amazon Quick 和 Amazon Bedrock AgentCore 构建 AI 合同智能平台
针对 RAG 语义检索无法回答跨数百份合同的聚合问题，该方案改用结构化抽取：Claude Sonnet 系列模型驱动的抽取智能体从每份 PDF 中提取 8 个关键字段并附置信度，轻量 Claude Haiku 模型独立复核，签名识别分歧由 Amazon Textract 用计算机视觉裁定。
AWS Machine Learning Blog22 Condé Nast 如何用 Amazon Bedrock 构建多模态视频检索
Condé Nast 与 AWS 生成式 AI 创新中心（GenAIIC）基于 Amazon Bedrock 和 Amazon OpenSearch Service 构建多模态视频检索方案，采用 TwelveLabs Marengo 嵌入模型联合编码画面、音频与转录文本，将单次内容检索耗时从 250 分钟降至 2 分钟以内。
AWS Machine Learning Blog34 NarrateAI：在 Amazon Bedrock 上实现生产级 LLM 质量保障
NarrateAI 在 Amazon Bedrock 上通过五项技术实现约 99% 的数值准确率，并支持实时流式响应。这五项技术分别是自适应流水线编排、跨账户多模型故障转移、实时流式评估、复合评估框架和数据准确性验证，分别应对幻觉指标、API 限流、验证延迟和主观语言等故障模式。该方案已服务超过 4,000 名 AWS 高管，基于 Amazon Bedrock AgentCore 构建。
AWS Machine Learning Blog22 Datacor 如何用 Amazon Quick Sight 打造自助式租赁分析
Datacor 将 Amazon Quick Sight 嵌入其 TrackAbout 解决方案，为工业气体与焊接分销商提供交互式仪表盘和自然语言搜索，业务用户无需提 IT 工单即可查询租赁数据。TrackAbout 客户每月管理 725,000 多张账单、共 2750 万项资产，新方案通过跨云数据管道定时刷新 SPICE 数据集，支持车队利用率、计费异常与收入回收等分析。
GitHub Blog · AI & ML22 GitHub Podcast 拆解 AI 热门观点：该不该读代码、RAG 是否已死、Skills 是否杀死了 MCP
GitHub Podcast 最新一期拆解了五个 AI 热门观点：AI 生成代码仍需阅读和负责，只是审查力度应按风险分配；Skills 与 MCP 解决不同问题，前者是打包的团队经验，后者是连接工具与数据的标准；RAG 并未消亡，它与 Agent、Skills、MCP 可共存于同一工作流。节目还讨论了招聘中的 AI 使用判断力，以及微调需求往往暴露的是代码库可维护性问题。
Hugging Face Blog40 Hugging Face 发布 NeoMME：260M/800M 多模态多语言编码器
Hugging Face 推出 NeoMME 系列多模态多语言编码器，含 260M 和 800M 两个规模，用单个双向 Transformer 直接处理文本 token 与原始图像 patch，无需独立视觉塔或因果语言模型。
Hugging Face Blog49 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 式后期交互检索，并提供完整训练方案。
Hugging Face Blog34 Hugging Face Inference Endpoints、Jobs 与 Buckets 如何支撑 Papers with Code 搜索
Papers with Code 的混合搜索系统由 Hugging Face Jobs、Storage Buckets 和 Inference Endpoints 三项服务支撑，目前为来自 arXiv 和 Daily Papers 的逾 110,000 篇论文维护嵌入向量。
Mistral AI精选71 Mistral 发布 Agentic Search，检索准确率最高提升约 3 倍
Mistral 发布 Agentic Search，一种面向企业复杂文档的多步检索层，通过 search、open、navigate、read、grep 五个工具让模型在回答前检查、导航并核实来源。
推荐理由：原文给出多步检索循环在 FinanceBench 与 OfficeQA Pro 上的准确率、token 与延迟变化，可据此判断传统 RAG 的替代路径。
Hugging Face Blog精选62 Sentence Transformers v6.0 新增 MultiVectorEncoder 支持晚交互检索
Sentence Transformers v6.0 新增第四种模型类型 MultiVectorEncoder，用于 ColBERT 式晚交互检索，PyLate、Stanford-NLP ColBERT 检查点可直接加载，colpali-engine 的视觉文档检索模型也能通过同一套 API 使用。
推荐理由：原文给出多向量编码器的加载、打分与索引接入方式，读者可据此判断晚交互检索是否值得替换现有稠密方案。
Mistral AI精选62 Mistral 发布 OCR 4，支持 170 种语言并可单容器自托管
Mistral 发布 OCR 4，在提取文本之外返回边界框、块类型分类和逐页逐词置信度分数，支持 170 种语言、10 个语系，可打包进单个容器完全自托管。
推荐理由：OCR 4 把边界框、块分类和置信度分数一并输出，读者可据此判断文档解析如何接入 RAG 与智能体流程。
Google Research精选60 Google 在 Gemini Enterprise Agent Platform 上线 Agentic RAG
Google 在 Gemini Enterprise Agent Platform 上推出由 Agentic RAG 驱动的 Cross-Corpus Retrieval 公开预览版。
推荐理由：原文给出多智能体 RAG 的完整流程与跨语料评测数据，读者可据此判断复杂多跳查询的检索方案。
Mistral AI精选62 Mistral AI 发布 Search Toolkit 公开预览版
Mistral AI 发布 Search Toolkit 公开预览版，这是一个用于构建 AI 应用生产级搜索管道的可组合框架，开源并支持云端、本地和边缘部署。它把摄取、检索和评测整合到共享接口下，内置 BM25 稀疏检索、稠密向量检索和混合配置，并提供 recall、precision、MRR、NDCG 等评测指标。
推荐理由：Mistral 把摄取、检索、评测放进同一框架，读者可据此判断 RAG 检索质量如何被单独衡量。
Google Research40 Google 用高温超导研究问题测试 LLM：NotebookLM 表现最佳
Google 与康奈尔大学合作，让 GPT-4o、Perplexity、Claude 3.5、Gemini Advanced Pro 1.5、NotebookLM 和一套自建 RAG 系统回答 67 道高温超导专家级问题，由国际专家小组按六个维度盲评打分。
Mistral AI精选62 Mistral 发布首个代码嵌入模型 Codestral Embed
Mistral 发布首个专为代码设计的嵌入模型 Codestral Embed，在真实代码检索任务上表现优于 Voyage Code 3、Cohere Embed v4.0 和 OpenAI 的大型嵌入模型。
推荐理由：Mistral 首个代码嵌入模型给出了可调维度与精度，读者可据此权衡检索质量与存储成本。
Mistral AI精选76 Mistral AI 发布 Agents API，内置连接器与多智能体编排
Mistral AI 发布 Agents API，将自家语言模型与代码执行、网页搜索、图像生成、MCP 工具等内置连接器结合，并提供跨对话的持久记忆与智能体编排能力。
推荐理由：官方给出内置连接器、持久记忆与多智能体编排的具体能力，读者可据此判断企业级智能体平台的搭建方式。
Mistral AI30 Mistral 如何用 LLM as a Judge 评估 RAG 系统
Mistral 提出用 LLM as a Judge 配合 RAG Triad 框架评估 RAG 系统，通过 Context Relevance、Groundedness、Answer Relevance 三项指标分别检查检索文档与查询的匹配度、回答是否基于检索上下文、以及回答是否切中用户问题。
Mistral AI精选78 Mistral AI 发布文档理解 API Mistral OCR
Mistral AI 发布光学字符识别 API Mistral OCR，可把图片和 PDF 解析为有序交错的文本与图像，并已作为 Le Chat 文档理解的默认模型。
推荐理由：官方给出与 Google、Azure、Gemini 系列的横向基准对比和 1000 页/美元定价，可据此判断文档解析方案的替换成本。