从智能体轨迹中学习检索
深度2026年3月30日40 分钟阅读
研究发现，传统基于人类交互训练的检索模型与智能体搜索行为存在根本性不匹配，而直接从智能体轨迹中学习能有效解决这一问题。信息检索、人工智能和自然语言处理领域的研究者及从业者应关注这一工作，它代表了智能体搜索时代检索技术的重要发展方向。
本文编译自 Learning to Retrieve from Agent Trajectories，版权归原作者所有。
觉得有用？分享给更多人
相关文章
AI 智能体需要强大的数据治理来降低风险，Perforce 2026 年 DevOps 报告显示 70% 的 IT 领导者认同 DevOps 对 AI 成功的重要性。文章提出七步治理框架，包括数据清洁、测试框架、CI/CD 自动化、安全合规检查、全流程追踪、AI 沙箱化和分步实施。
深度The New Stack·4月10日·4 分钟
本文提出NUMINA框架，通过识别提示-布局不一致性并调制交叉注意力，提升文本到视频扩散模型生成对象数量的准确性。在CountBench测试中，NUMINA将计数准确率最高提升7.4%，同时保持时间一致性。该工作为无需训练的数字对齐提供了实用解决方案，推动了文本到视频生成的精确控制。
深度·4月9日·36 分钟