Google Research 推出 Retrieve-for-Train 框架，通过离线强化学习将查询分解行为编译为监督信号，以解决 LLM 在复杂搜索中的推理瓶颈。该方案利用 RL 训练 Gemma3-4B 和 Qwen3-4B 生成对齐属性的子查询，并蒸馏至一个 53.9M 参数的扩散检索器中。此架构实现了单次非自回归推理，消除了测试时思维链开销，显著提升了集合级搜索结果的多样性与响应速度。
Hugging Face 为 Papers with Code 构建混合搜索系统，结合 PostgreSQL 全文检索与 pgvector 语义召回。该架构利用 Jobs、Storage Buckets 和 Inference Endpoints 处理超 110,000 篇论文的嵌入生成与实时查询，选用 Qwen3-Embedding-0.6B 模型并固定 256 维向量以平衡速度与质量。
Mistral 推出 Agentic Search，通过多步检索循环提升 AI 系统处理复杂文档的准确性并降低延迟。该功能提供 search、open、navigate、read 和 grep 五个工具，支持云端和本地部署。
推荐理由：原文给出了多步检索循环的具体工具链，以及在金融和政务文档基准上的准确率与延迟实测数据。
Mistral AI 推出开源搜索工具包 Search Toolkit 的公开预览版，这是一个用于构建生产级 AI 应用搜索管道的可组合框架。它将数据摄取、检索和评估整合在单一框架中，支持 BM25、密集向量及混合检索，并提供内置的召回率、精确度等评估指标。该工具包可在云、本地或边缘环境运行，旨在解决企业搜索基础设施碎片化问题，帮助开发者通过标准适配器接口快速集成多源数据并优化 RAG 工作流。
推荐理由：该框架将检索、索引与评估整合为统一接口，有助于团队减少基础设施维护成本并聚焦于提升搜索质量。
Google DeepMind 与 Kaggle 合作发布 FACTS Benchmark Suite，包含参数化、搜索、多模态及 Grounding v2 四个基准，共提供 3,513 个公开示例。