从复杂的PDF中提取信息一直是个棘手的问题。行业在OCR（光学字符识别）、布局检测和解析流程上投入了大量精力和资金，却仍可能丢失最关键的信息。如今，视觉语言模型（Vision Language Models）已经足够强大，能够直...

Sentence Transformers最新升级引入对稀疏嵌入模型训练的支持，这一技术突破特别适用于混合搜索和重排序场景。该博客详细解析了模型的核心组件与训练步骤，并重点介绍了基于SPLADE架构的现成模型。稀疏编码技术通过...

阿里巴巴近日开源了Qwen3 Embedding系列模型，其8B参数版本在权威的MTEB多语言排行榜上位列第一。这一系列模型为开发者提供了构建RAG系统、语义搜索引擎和文档检索应用的强大工具，支持超过100种语言的处理需求。模...

近日，搜索引擎宣布已获得索引PDF文件格式的能力，这一功能将在未来几个月内逐步部署。然而，从PDF中提取文本信息的技术挑战远比表面看起来复杂。关键在于PDF并非文本格式，而是一种图形格式。它并不以传统方式存储...

近日，一位长期使用大语言模型（LLM）的资深用户在个人博客中分享了他的使用心得。尽管生成式LLM（如GPT系列）在业界引起广泛关注，但该作者表示自己并不频繁使用这类模型。相反，他更倾向于将LLM应用于特定场景，如...

中国人民大学自然语言处理实验室推出的WebThinker框架，标志着大语言模型（LRMs）向自主科研领域迈出关键一步。该开源项目通过构建深度研究架构，使LRMs具备三项突破性能力：1）智能化的全网信息检索系统，可自主定...

开发者Adi和Arnav在尝试让大语言模型（LLM）处理研究论文和说明书中的问题时，发现现有RAG（检索增强生成）系统无法有效解析PDF中的图像和图表内容，甚至GPT-4o和O3模型也表现不佳。为此，他们开发了开源项目Morphik...

OpenAI最新发布了名为BrowseComp的基准测试，包含1,266个问题，专门用于评估AI代理在互联网上搜集复杂且难以定位信息的能力。这一基准测试的推出标志着AI在信息检索领域的重要进展，尤其是在处理需要多步骤推理和跨...