NVIDIA 发布 Nemotron 3 Embed 模型，在 RTEB 排行榜上排名第一
NVIDIA 发布了 Nemotron 3 Embed，这是一组开源且可商业使用的嵌入模型，旨在提升生产级 RAG、智能体检索、代码检索和智能体记忆的检索质量。该集合包含一个在 RTEB 排行榜上总体排名第一的 8B 模型，以及针对部署优化的高效 1B 变体。
VITA 临床 RAG 在 HealthBench 上匹配或超越前沿大语言模型
专为中低收入环境设计的检索增强生成系统 VITA，在 HealthBench 基准测试中与通用大型语言模型进行了对比评估。研究表明，即使随着更新的前沿模型发布，针对语料库的特定设计仍能保持具有竞争力的性能。
针对特定语料的VITA RAG在HealthBench上匹配或超越前沿LLM
VITA是一个专为低收入和中等收入环境设计的检索增强生成系统，在HealthBench的英文子集上排名第一，超越了GPT-5.4、o4-mini、Gemini 3.1 Pro和Claude Sonnet 4.6。
VITA临床RAG系统在HealthBench上持平或超越前沿LLM
一个专为低收入和中收入环境设计的名为VITA的专用检索增强生成（RAG）系统，在HealthBench基准测试中与通用大型语言模型进行了评估。在由GPT-4.1裁判评分的4,023个问题中，VITA以51.9%的准则得分排名第一，超越了GPT-5.4、o4-mini、Gemini 3.1 Pro和Claude Sonnet 4.6。
Aletheion发布ASM-CM，一种用于持久化AI代理的紧凑内存架构
AletheionAGI的Felipe Maya Muniz介绍了ASM-CM（Aletheion Compact Memory Model），这是一种实验性架构，将记忆与语言分离，使代理历史能够在不增加活动计算内存的情况下增长。
IntelShed 结合混合 RAG、GNN 实体解析、联邦学习和 LLM 多智能体编排
作者介绍了 IntelShed，这是一个用于开源情报（OSINT）的开源系统，它聚合了 50 个公共数据源，以生成自动化的 24 小时安全简报。该架构集成了混合检索、基于 GNN 的实体解析、带有差分隐私的联邦学习以及 LLM 编译的多智能体编排。
TIS 2.0 通过基于令牌重要性分数的段落重排消除 RAG 中的位置偏差
TIS 2.0 更新引入了一种段落重排功能，无需额外训练即可消除检索增强生成（RAG）中的“中间丢失”位置偏差。通过对检索到的文档应用学习到的令牌重要性分数进行重排，该系统实现了零位置差距，并将精确匹配准确率较基线提升了 5 个百分点。
注意力加权内存图使用 Jina 注意力进行图 RAG 遍历
一项新提案概述了一种 LLM 内存结构，它将后期分块与注意力加权边相结合，以实现逐步遍历。该系统利用 Jina AI 的嵌入模型，该模型计算句子之间的注意力，从而从文档的内部处理中推导出边的权重。
DESi Review：一个可安装的 Claude 技能，用于结构化的认识论论文评审
作者发布了 DESi Review，这是模型独立的 DESi 认识论治理框架的一个实际应用，打包为可安装的 Claude 技能。该工具通过将确定性主张提取与基于模型的裁决分离，对英文文本执行结构化的论文评审流程。
关于7B–14B参数规模领域专用LLM在生产环境中可行性的社区讨论
一位Hugging Face论坛用户调查了参数量在7B–14B范围内的小型领域专用大语言模型（LLM）是否能在实际生产环境中有效替代更大的模型。
使用稀疏自编码器的ELIZA
一种新的ELIZA聊天机器人实现利用稀疏自编码器架构，将对话条目存储在潜在记忆层中，旨在改进传统的关键词匹配方法。该系统采用T5编码器-解码器结构，配备32,768个神经元的记忆层，通过对比学习激活相似条目。
PaddlePaddle发布HPD-Parsing，一款具有分层并行解码能力的1B模型
PaddlePaddle推出了HPD-Parsing，这是一款轻量级的10亿参数文档解析模型，采用分层并行解码范式以提升吞吐量。该架构通过主布局分支协调全局页面结构，同时将局部内容生成分发至并发分支，并利用渐进式多令牌预测减少解码步骤。
作者提出开放 k 注册表以在本地 LLM 中实现证据饱和
作者已在 Hugging Face 上发布了一篇试点论文和一个开放注册表，用于测量语言模型的证据饱和点 (k*)。该指标确定了注入提示中的最佳证据片段数量，因为增加更多上下文并不会单调地提高正确性，反而可能增加成本或认知污染。
分层代理记忆使用双曲嵌入进行结构化检索
一种新的记忆架构采用双曲嵌入，通过“抽象分数”对向量数据库条目进行组织，使代理能够比扁平化 RAG 系统更有效地管理知识。该方法将数据结构化，使抽象条目（如偏好）靠近中心，而具体事件位于边界，从而促进更好的聚类和检索。
ShinBay-UCTF 提出隐私保护持续学习与压缩知识的概念框架
K7007 提出 ShinBay-UCTF，这是一个旨在解决 AI 系统在多语言冗余、持久情景记忆和持续适应方面局限性的概念框架。该提案概述了一个由三个交互层组成的统一架构：通用压缩训练格式（UCTF）、生物启发的场景记忆和环境驱动的持续学习。
已删除主题的链接不正确
文章内容已被作者删除。页面显示，原始讨论包含一个帖子，涉及两名参与者。