Hugging Face 推出 NeoMME 260M 和 800M 参数规模的多语言多模态编码器，采用单一双向 Transformer 处理文本与图像补丁。NeoMME-Retriever 在 ViDoRe v3 基准测试中表现优异，260M 版本吞吐量约为 ColModernVBERT 的两倍，并通过层级令牌池化和非对称量化将索引存储减少至每页 6 kB。
推荐理由：原文展示了单Transformer架构在视觉文档检索中的效率突破，提供了从模型权重到代码示例的完整开源实现。
Hugging Face 发布了基于 ModernBERT 的 Ettin Reranker 系列共六个 CrossEncoder 重排器，参数量从 17M 到 1B。
推荐理由：原文给出了六个尺寸的重排器及其训练配方，读者可以据此评估其在检索管线中的性能与部署成本。
IBM 发布两款基于 ModernBERT 架构的 Apache 2.0 多语言嵌入模型 granite-embedding-97m-multilingual-r2 和 granite-embedding-311m-multilingual-r2。
推荐理由：IBM 发布了基于 ModernBERT 架构的 Apache 2.0 多语言嵌入模型，在保持轻量级的同时显著提升了长文档和代码检索能力。
Google DeepMind 发布 EmbeddingGemma，这是一款拥有 308M 参数、支持 100 多种语言的开源多语言文本嵌入模型。该模型基于 Gemma3 架构并采用双向注意力机制，量化后内存占用低于 200 MB，在 MTEB 排行榜上位居同尺寸纯文本模型前列。
推荐理由：原文展示了308M参数模型在MMTEB上的表现及多框架集成方案，读者可据此评估其在移动端RAG和检索任务中的落地可行性。
NVIDIA AI-Q 在 DeepResearch Bench“LLM with Search”类别中以 40.52 分登顶，成为首个完全开源且领先的深度研究智能体。
Mistral AI 发布其首个专为代码设计的嵌入模型 Codestral Embed，旨在优化真实世界代码数据的检索性能。该模型在多项基准测试中表现优于 Voyage Code 3、Cohere Embed v4.0 和 OpenAI 的大型嵌入模型，支持不同维度和精度的输出以平衡检索质量与存储成本。
推荐理由：Mistral 推出首个代码专用嵌入模型，在 SWE-Bench 等真实代码检索基准上超越竞品，并提供灵活的维度与精度权衡方案。