Hebbia 藉助 GPT-6 Astra 改善金融研究
Hebbia 測試 GPT-6 Astra,改善金融研究中的來源檢索和簡報製作。在 Hebbia 的測試中,模型引用所需類型來源的得分比最佳替代模型高 13.6 個百分點,所引段落有 99.5% 與問題相關;另有 97.9% 的適用簡報要求獲得滿足。使用者可循引用和投影片註腳追查來源。
Hebbia 測試 GPT-6 Astra,改善金融研究中的來源檢索和簡報製作。在 Hebbia 的測試中,模型引用所需類型來源的得分比最佳替代模型高 13.6 個百分點,所引段落有 99.5% 與問題相關;另有 97.9% 的適用簡報要求獲得滿足。使用者可循引用和投影片註腳追查來源。
AWS 將 AWS Billing 加入 Amazon Bedrock AgentCore payments,讓 AI 智能體可按次以美元向 AWS Marketplace 的 x402 賣家付款,費用記入開發者的 AWS 帳單。
推薦理由:文章逐步展示 AWS Marketplace 按次付款的發現、報價、付款與結算流程,並交代預算上限、核准賣家及交易審計如何納入治理。
Social Department 構建 QuickSearch,將娛樂行銷中的編輯判斷轉化為可執行的影片檢索流程,讓用戶透過單一操作尋找合適片段。QuickSearch 提供 Shareable Scenes、Quotable Quotes、Memeable Moments 和 Trend Align 四項功能,結合影片內容理解與持續更新的趨勢資訊。
OpenAI 發佈更新版 Astra for Law,這項基於 GPT‑6.2 Astra 的法律模型配置現可供所有 ChatGPT Enterprise 客戶透過 Trusted Access Program 申請,亦可申請 API 存取。
推薦理由:材料並列 LAB-AA 與 Vals AI 的基準數據及法律搜尋索引變化,可從任務滿分率和資料覆蓋兩方面瞭解此次更新。
Amazon Bedrock Managed Knowledge Base 現已支援表格搜尋,可透過 AgenticRetrieveStream 請求結合 CSV、XLSX 或 XLS 表格計算與相關文件資訊,回答分析問題。
推薦理由:文章以財務政策、結賬備忘錄及 P&L 活頁簿示範如何結合文件規則與全表計算,並透過追蹤記錄查看程式讀取的檔案。
AWS 宣佈 Amazon Bedrock AgentCore 推出 Web Search API,讓應用程式透過單次 API 呼叫搜尋網頁,並取得 Amazon 營運的網頁索引所提供的排序結果。
推薦理由:文章清楚區分 Web Search API 與 AgentCore Gateway 的適用場景,並説明直接 API 呼叫無須預先建立資源,方便按現有架構選擇接入方式。
JioStar 使用 OpenAI API,在 JioHotstar 開發對話式影片及板球數據探索助手,服務逾 5 億用戶,並支援多達 72.5 million 名觀眾同時觀看直播體育賽事。團隊在約八週內完成支援 15 種以上語言的體驗,並在準確度、延遲和成本之間取捨。超過 60% 的用戶使用語音而非文字。
文章示範如何用 Sentence Transformers 為多向量嵌入模型加入 Token Pooling 感知訓練,令模型同時以原始及壓縮後的文件向量進行檢索訓練。
推薦理由:文章將壓縮後的檢索目標納入訓練損失,並在相同儲存預算下比較一般訓練與池化感知訓練的檢索品質保留差異。
Amazon Bedrock Managed Knowledge Base 現透過 AgenticRetrieveStream 支援單次 RAG、純檢索及智能體檢索,並可按 maxAgentIteration 設定檢索流程。
推薦理由:文章對照 maxAgentIteration 不同取值下的檢索與生成流程,並交代規劃輪數和模型呼叫差異,便於按問題複雜度及延遲需求選擇模式。
Gen Digital 以 Amazon Bedrock AgentCore Web Search 為 Norton Revamp 建構 AI 精選新聞引擎,讓內容建議、目標推薦及新聞動態以最新網絡資訊為依據。這項全託管搜尋功能在 AWS 環境內運作,並提供附有網址及刊登日期的引用來源。引擎支援個人化新聞動態、內容建議及趨勢導向的目標設定。
AWS 文章示範如何運用 Amazon Nova Multimodal Embeddings、Amazon Bedrock AgentCore 和 Strands Agents SDK,建立協助工程師評估零件替代方案的多智能體助理。
LitPivot 是協助研究人員根據相關文獻評估及修訂研究構想的系統,並會按構想中正在編輯的部分整理論文、提供有文獻引文支持的評議及修訂建議。在一項有 17 名研究人員參與的研究中,領域專家認為使用 LitPivot 發展的構想比使用文字編輯器和 AI 聊天工具發展的構想更有文獻根據;參與者亦表示,使用 LitPivot 後對相關文獻的理解更深入,並認為構想的新穎性和實用性有所提升。
Microsoft Research Podcast 中,Weishung Liu 訪問 Catalyst Lab 主任 Chris White,談他以科技研究應對現實問題的經歷。White 曾與 DARPA 團隊探討數據分析新方法能否預防暴力、保護阿富汗戰事中的部隊,後來亦投身以暗網搜尋工具協助打擊人口販運的工作。
Amazon SageMaker JumpStart 在 2026 年 1 月至 9 月新增逾 100 個模型,涵蓋 30 家供應商,並更新模型探索及部署功能。
Hugging Face 以 Inference Endpoints、Jobs 和 Storage Buckets 建立 Papers with Code 混合搜尋系統,為來自 arXiv 和 Daily Papers 的超過 110,000 篇論文維護嵌入向量。
推薦理由:文章拆解離線批次建向量與線上查詢的分工,並説明端點冷啟動時如何回退全文檢索,呈現混合搜尋進入生產環境的工程取捨。
Mistral 推出 Agentic Search,讓模型透過多步檢索搜尋、查看、導覽及核實複雜文件中的資料。在 FinanceBench 金融文件測試中,正確率由 26.7% 升至 86%;OfficeQA Pro 表格密集的多文件問題則由 6.3% 升至 51.9%。
推薦理由:FinanceBench 和 OfficeQA Pro 的基準數據呈現 Agentic Search 相較單次 RAG 的準確率提升,也量化延遲與 token 使用量變化。
Sentence Transformers v6.0 新增 MultiVectorEncoder,支援 ColBERT 式多向量檢索。文中示範載入 PyLate 與 Stanford-NLP ColBERT checkpoint、接入檢索索引,以及以同一 API 執行 ColPali 視覺文件檢索。
推薦理由:文章對照 LateOn 與 DenseOn 在 NanoBEIR 13 個資料集的結果,並以索引體積數據呈現多向量檢索表現與儲存成本的取捨。
HKU 研究團隊開發出基於二維 MoS2 flash memories 的類比 CAM,以每個儲存單元 2 個電晶體直接在資料儲存位置進行搜尋。晶片每次搜尋每個單元的能耗低於 0.1 femtojoules,延遲為 36 picoseconds;用於機器學習分類的類比 Hamming distance 計算,速度約為標準 CPU 的 108 倍。
Mistral AI 發佈開源 Search Toolkit 公開預覽版,將資料匯入、檢索與評估整合為共享介面的 AI 搜索框架。它內置 BM25 稀疏檢索、基於嵌入向量的密集檢索及混合檢索,並提供 recall、precision、MRR 和 NDCG 指標,可在自有測試集評估。框架可在雲端、本地部署及邊緣環境運行,並提供 starter app template。
Hugging Face 發佈六款基於 Ettin ModernBERT encoder 的 Sentence Transformers CrossEncoder reranker,參數規模由 17.6M 至 1.00B,並公開訓練數據及完整訓練方案。
推薦理由:文章以 MTEB(eng, v2) Retrieval、NanoBEIR 及多種硬件吞吐測試比較六種尺寸,呈現 Ettin Reranker 在排序品質與速度間的取捨。
IBM Granite 發佈兩款採 Apache 2.0 授權的多語嵌入模型:97M 參數的 granite-embedding-97m-multilingual-r2 和 311M 參數的 granite-embedding-311m-multilingual-r2。
推薦理由:文章提供 97M 與 311M 版本在多語檢索、長文及程式碼基準的比較,並交代 Matryoshka 維度選項對儲存與部署取捨的影響。
ChatGPT 可結合搜尋與 deep research 協助使用者進行研究,查找最新資訊、分析來源,並生成結構化洞見。
Sentence Transformers v5.4 的同一 API 現可編碼並比較文字、圖像、音訊和影片,文章示範其多模態嵌入與 reranker 用法。嵌入模型將不同模態映射至共享嵌入空間;預訓練多模態 reranker 目前主要處理文字與圖像配對。示例涵蓋跨模態檢索、混合模態文件重排及先檢索再重排流程,並列出輸入格式、支援模型和安裝依賴。
推薦理由:文章展示 Sentence Transformers v5.4 的跨模態檢索與 reranker 重排流程,並整理支援模型和輸入格式,提供實作參考。
ChatGPT 正從聊天機械人邁向整合搜尋、購物和付款的 AI 超級應用程式,可能改變消費者購物方式及電子商務的營銷模式。文章指出,OpenAI 已透過 Shopify 和 Stripe 整合,讓用戶在對話中直接結帳;商家則須提供結構清晰、可信的產品資料,爭取 AI 推薦。這種模式亦帶來個人資料私隱、推薦排名透明度及演算法壟斷等問題。
OpenAI 發佈 GPT-5.4,並稱其為面向專業工作的能力最強、效率最高的前沿模型。該模型具備最先進的編碼、電腦操作和工具搜索能力,並有 1M-token 上下文窗口。
Indeed CRO Maggie Hulce 分享 AI 如何改變求職、招聘及人才招募,內容涵蓋僱主與求職者。
ServiceNow 擴大對 OpenAI 前沿模型的存取,藉此支援 ServiceNow Platform 上的 AI 驅動企業功能。支援範圍包括企業工作流程、摘要、搜尋及語音。
Google DeepMind 與 Kaggle 推出 FACTS Benchmark Suite,透過四項基準評估大語言模型的事實準確性。套件包含更新版 Grounding Benchmark - v2,以及 Parametric、Search、Multimodal 三項基準,並公開提供 3,513 個例子;Kaggle 管理私有保留集並維護公開排行榜。
Michael C.S. So 分析 ChatGPT 由聊天機械人走向超級應用程式的可能性,並探討對搜尋、電商和數碼營銷的影響。文章指出,OpenAI 已透過 Shopify 和 Stripe 整合,開始支援在對話中直接結帳;同時提醒,這種模式亦會帶來個人資料私隱、推薦透明度及平台把關權力等問題。
MCP 讓 AI 智能體透過自然語言使用研究工具,跨 arXiv、GitHub 與 Hugging Face 搜尋論文、程式碼、模型及資料集並交叉查證。Hugging Face 的 Research Tracker MCP 可從 MCP Settings 加入,並按 Claude Desktop、Cursor、Claude Code 或 VS Code 的指引完成設定。
Mistral AI 發佈 Codestral 25.08,並推出整合程式碼補全、語意檢索、Devstral 智能體工作流及 Mistral Code IDE 外掛的企業編碼技術棧。
推薦理由:文章把 Codestral 25.08、程式碼檢索、Devstral 智能體工作流與 IDE 管理整合為企業方案,並交代部署選項及安全治理設計。
Hugging Face Blog 示範如何使用 Sentence Transformers 訓練及微調稀疏嵌入模型,介紹 SPLADE、Inference-free SPLADE、CSR 架構,以及資料、損失函數、評估器和訓練器的配置。
推薦理由:文章按 SPLADE、Inference-free SPLADE 與 CSR 的適用情境梳理架構選擇,並以實作例子串連資料、損失函數和評估器配置。
AI 聊天機械人流量持續上升,但傳統搜尋仍佔主導;Google 搜尋量為 1.867 billion,約為 AI 聊天機械人流量 552 million 的三倍。文章指出,AI 擅長即時互動和摘要,搜尋則較適合深入探索及核實資訊,生成式 AI 是搜尋的新層,而非替代品。SEO 並未消亡,而是須與 AI 結合,轉向 AIO。
AI 聊天機械人流量急升,但搜尋引擎仍佔主導,Google 搜尋量達 1.867 billion,是 AI 聊天機械人的三倍。文章認為,AI 擅長即時互動和整理答案,傳統搜尋則較適合深入探索及核實資訊,兩者角色不同。SEO 並未消亡,而是要演進為 AIO,並以結構化內容及多模態體驗配合 AI 搜尋。
HKT 與 Perplexity 合作,向 1O1O、csl、Club Sim、Netvigator、Now TV 及 HKT Home Phone 的指定客戶提供 Perplexity Pro 一年免費訂閲。
《華盛頓郵報》與 OpenAI 合作,將新聞內容整合至 ChatGPT。用户可在 ChatGPT 中獲得相關內容的摘要、引文,以及指向原始報道的直接連結。
ChatGPT 可規劃市場研究、搜尋及閲讀資訊來源,並整理詳細研究報告,以支援市場分析。整個流程涵蓋研究規劃、來源搜尋與閲讀,以及報告整理。
BrowseComp 是一項面向瀏覽智能體的基準測試。
Booking.com 整合自身數據系統與 OpenAI 的大語言模型,提供更智能的搜尋、更快捷的支援,以及以意圖為導向的旅遊體驗。
Hugging Face Blog 公開兩款靜態嵌入模型,稱其 CPU 推理比常見嵌入模型快 100 至 400 倍,且多項基準保留至少 85% 表現。
推薦理由:文章公開兩款模型的訓練配方與資料集,並以 NanoBEIR 結果呈現靜態嵌入模型在 CPU 速度與檢索品質間的取捨。