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
OpenAI 的 Decisions API 进入公测并加入图像输入，能在文本或图像上输出谓词、选项、分数三类结构化结果，模型跑在 GPT-6 Luna 上，按每百万输入 token 0.10 美元计费。Perplexity、Cloudflare、Amazon 也在本月发布了各自的开放权重决策模型，可下载自部署。OpenAI 坚持托管 API 的做法，可能成为开发者选型的关键差异。
深度The New Stack·10月7日·4 分钟
Haiku 5.5 定价 $0.10/$0.50 每百万 token（10 万 token 内），超过后涨价 5 倍；但新分词器让相同提示词多消耗约 1.25 倍 token，存在隐性涨价。Anthropic 同时将 Sonnet 5.5 的缓存读取价格减半，并为 Max 和 Team 订阅用户提供每月 API 额度。
深度Simon Willison·10月7日·4 分钟