Hugging Face Daily PapersOneTrans-GSR：一种生成式排序列表范式，统一重排序和混合排序
OneTrans-GSR 通过单一自回归 Transformer 统一生成推荐排序列表，提升业务指标并减少重排序和混合排序延迟。在工业推荐系统中部署后，GMV/u 提升 2.63%，广告商价值提升 2.06%，回购率提升 2.03%，同时将端到端延迟降低 13%。
实时
#搜索
- Hugging Face Daily Papers
- Hugging Face Daily Papers6565
VisSearch-Bench 评估多模态智能体在长时程视觉搜索中的表现
VisSearch-Bench 评估了 16 个多模态模型在 204 项人类编写的视觉搜索任务上的表现，这些任务要求整合视觉上下文与外部信息，结果显示最佳系统仅完全解决了 26.47% 的任务。该基准涵盖集合式视觉搜索、序列式视觉搜索等 7 个主要领域，通过准确率与过程分评估任务完成度与推理步骤的正确性。
- Hugging Face Daily Papers6565
WeFair：基于人类反馈的保真度感知对齐技术，用于短视频搜索中的个性化查询重写
WeFair 通过保真度感知的人类反馈阶段（演示、偏好和验证）改进个性化查询重写，以减少意图漂移并提升短视频平台的搜索效果。该技术针对短视频搜索对紧凑查询重写器的需求，在严格延迟限制下从模糊查询中恢复用户个性化意图。WeFair-2B 在离线实验中整体准确性和意图保留方面优于强重写基线，在线 A/B 测试显示有效视频播放率相对提升 2.593%，查询重写率相对降低 2.350%。
Epoch AI6565Epoch AI 分析显示生物预印本中 LLM 使用与专业 AI 工具使用同等普遍
Epoch AI 通过 GPT-5.6 Sol 分析 2020 年 1 月至 2026 年 9 月 bioRxiv 上 4.7 万篇预印本发现，其中 15.5% 承认使用 LLM，与承认使用专业 AI 工具的比例（15.7%）几乎相同；OpenAI Decisions API 基于 GPT-6 Luna 将 LLM 使用分为研究、代码计算、写作和文献综述四大类。
Browser UseOdysseys2：一个长时程网页智能体基准
GPT-6 Astra 在 Odysseys2 长时程网页智能体基准中表现最佳，完成 47 项任务，平均评分为 84.6。该基准包含 100 项真实网页任务，每项任务有 8-12 项通过/失败检查，15 个智能体参与测试，其中 Opus 5.5 高效模式完成 18 项任务，平均评分为 71.2。
MarkTechPostLEANN：开源向量索引将6000万片段RAG索引从201GB压缩至6GB。
UC Berkeley 的 Sky Computing Lab 开发了开源向量索引 LEANN，通过查询时重新计算嵌入而非保存到磁盘，将 6000 万片段维基百科索引从 201GB 压缩至 6GB。该索引在 NQ 基准上达到 25.5% 的准确率，使用 4GB 存储空间，但检索耗时 2.48 秒（HNSW 为 0.05 秒）。代码采用 MIT 许可，支持在笔记本电脑和工作站上运行。
OpenAI News4040OpenAI 探索 ChatGPT 在全球工作场景中的使用情况
OpenAI 分析了 ChatGPT 在近 100 个国家的 165 项工作活动中的使用数据，揭示了人们如何使用 ChatGPT 进行工作以及使用情况随时间的变化。
- Hugging Face Daily Papers6565
UserArena：用于长时程购物智能体的交互式用户模拟基准
UserArena 引入一个包含 64,729 个会话轨迹的电商交互基准，涵盖 11,010 用户、566,102 项商品和 13 种动作类型，支持五级评估；提出 On-Policy Trajectory Distillation 技术提升模拟器保真度，实验显示其在 UserArena 评估协议下效果最佳，最接近生产策略的线下模拟效果。
- MarkTechPost3838
TinyFish 发布生产级 AI 智能体用到的 Agent 搜索架构技术指南
TinyFish 发布生产级 AI 智能体用到的 Agent 搜索架构技术指南，其系统基于 TinySearch、TinyFetch、TinyBrowser 和 TinyAgent 四个 Web 基本构件，通过围绕基础模型的七阶段控制循环运行，在 OpenBenchmarks 上完成率 79.0% 的编码任务时，实现最低中位数任务成本 $0.050 和 token 足迹。
- Hugging Face Daily Papers7575
OpenDS-World：用于评估真实网络环境自主深度搜索智能体的基准
OpenDS-World 引入一个实时网络基准来评估自主多步深度搜索智能体，揭示前沿模型与人类表现之间存在显著差距。在 12 个前沿模型中，最佳模型准确率达到 39.0%，而 1000 次人类评估准确率为 21.1%。分析显示模型间研究策略存在差异，且工具协调和长时程搜索管理仍是主要挑战。
Apple Machine Learning Research基于选择的结构化推理：一种面向高效多模态搜索智能体的框架
选择式结构化推理 (SSR) 框架将推理重构为选择而非开放式生成，在每次行动前从预定义的推理候选中选择最可能的方案，显著降低推理成本。使用 2B 和 4B 模型在七项多模态搜索基准测试中验证，SSR 实现了平均成功率与同等规模领先搜索智能体相当，单步推理延迟降低 90%，单题总推理延迟减少 28-54%。
Cohere Blog7575Cohere 推出 RCP-nDCG@10：更完整的检索相关性度量方法
Cohere 推出 RCP-nDCG@10，通过校准 AI 评委对每份检索文档进行评分，弥补传统 nDCG@k 依赖人工标注导致遗漏相关结果的缺陷，以优化下一代搜索模型。该指标结合了文档排序和相关性评估，通过 AI 判定每份文档的实际相关性，而非仅依赖原始标注。
Prime Intellect BlogPrime Intellect 整合 365,000+ 软件工程、终端和搜索环境用于智能体强化学习
Prime Intellect 整合了 23 个用于软件工程、终端和搜索的智能体任务集，提供统一 API、运行时/沙盒钩子，包含约 198,000 个软件工程任务、28,600 个终端任务和 137,600 个搜索任务。通过 verifiers v1 将环境分解为任务集、沙盒和运行时三层，标准化了不同任务集的评分逻辑，并提供 135,000 个预构建的开源任务镜像。
