Cohere Embed 5 首个采用 RCP-nDCG@10 评测的模型系列
Cohere 的 Embed 5 成为首个采用 RCP-nDCG@10 评测的模型系列，这是其最新评测方法，旨在改进对真实检索质量的评估。该系列基准测试结果因此呈现不同面貌。
#RAG
#RAG
X：Cohere（@cohere）AI 评分 X：Cohere（@cohere）AI 评分 Cohere 用 RCP-nDCG@10 评估 Embed 5，并将举办检索主题 webinar
Cohere 的 Embed 5 成为首个采用 RCP-nDCG@10 评估的模型家族，该新方法用于改进真实场景检索质量评估。传统 nDCG 只计算已在基准答案集中的结果，RCP-nDCG@10 则按每条结果的实际相关性打分，结果由人工评审和 MTEB 支撑。
Hugging Face BlogAI 评分
Ai2 开源科学报告生成模型 AstaBrief 8B
Ai2 开源 AstaBrief 8B，一个把研究问题和检索到的文献片段转成带引用报告的模型，基于 Qwen3-8B 经 SFT 和 DPO 训练，权重与训练数据一并开放。
X：Aravind Srinivas（Perplexity CEO） (@AravSrinivas)AI 评分 Perplexity 发布 pplx-embed-v2-context-9b-preview 上下文嵌入模型
Perplexity 发布上下文嵌入模型 pplx-embed-v2-context-9b-preview，该模型在 ConTEB 和 turbopuffer 的 context-bench 上取得新的 SOTA。
X：Aravind Srinivas（Perplexity CEO） (@AravSrinivas)AI 评分 Perplexity 开源上下文嵌入模型 pplx-embed-v2-context-9b-preview
Perplexity 开源其上下文嵌入模型，称在 turbopuffer 的 context-bench 上表现最佳。该模型采用新的训练方式，让每个文档分块的编码都能看到整篇文档，pplx-embed-v2-context-9b-preview 在 ConTEB 和 turbopuffer 新推出的私有 context-bench 上刷新了 SOTA。
X：Perplexity (@perplexity_ai)AI 评分 Perplexity 发布 pplx-embed-v2-context-9b-preview 上下文嵌入模型
Perplexity 推出 pplx-embed-v2-context-9b-preview，通过从查询感知上下文压缩模型蒸馏相关性信号，突破单一 gold chunk 监督限制，在 ConTEB 和 turbopuffer 的 context-bench 上取得新 SOTA。
X：Perplexity (@perplexity_ai)AI 评分 Perplexity 发布 pplx-embed-v2-context-9b-preview 上下文嵌入模型
Perplexity 推出 pplx-embed-v2-context-9b-preview，在 ConTEB 上取得所测模型中最高的平均 nDCG@10，并在 turbopuffer 私有的 context-bench 上刷新 SOTA。
X：Perplexity (@perplexity_ai)AI 评分 Perplexity 推出 pplx-embed-v2-context-9b-preview，上下文嵌入模型刷新 ConTEB 与 context-bench SOTA
Perplexity 用查询感知上下文压缩模型蒸馏相关性信号，训练出上下文嵌入模型 pplx-embed-v2-context-9b-preview，在 ConTEB 和 turbopuffer 私有的 context-bench 上取得新的 SOTA。
X：Cohere（@cohere）AI 评分 Cohere embed5 发布：主打多语言检索与隐私保护
Cohere Embeddings 团队推出 embed5 模型，通过新的训练与评估技术，不仅能检索相关结果，还能找出最符合人类偏好的文档。该模型重点强化多语言能力，并带来大幅吞吐量提升，可扩展至任意数据规模，同时强调用户数据始终私密。
X：Cohere（@cohere）AI 评分 Cohere 发布 Embed 5 系列嵌入模型：Embed 5 Pro 与 Embed 5 Fast
Cohere 推出 Embed 5 系列嵌入模型，含 Embed 5 Pro 与 Embed 5 Fast 两款。Embed 5 Pro 在 ViDoRe V3 上取得所测模型最高平均分，超过 Voyage 4 Large、Gemini Embedding 2 和 Jina Embeddings v5，训练覆盖 100 多种语言。
X：Cohere（@cohere）AI 评分 Cohere Embed 5 上线 API、Model Vault、Microsoft Foundry 与 Amazon SageMaker
Cohere Embed 5 现已通过 Cohere API、Model Vault、Microsoft Foundry 和 Amazon SageMaker 提供，也可直接在 North 中使用。Embed 5 的 Pro 与 Fast 两个版本共享同一嵌入空间，可用其中一个建索引、另一个检索，同时保持性能。
X：Cohere（@cohere）AI 评分 Cohere 发布 Embed 5 系列嵌入模型，含 Pro 与 Fast 两档
Cohere 发布 Embed 5 系列嵌入模型，分为 Embed 5 Pro 和 Embed 5 Fast 两档。Embed 5 Pro 在 ViDoRe V3 上取得所测模型的最高平均分，超过 Voyage 4 Large、Gemini Embedding 2 和 Jina Embeddings v5，并支持图像检索、解析后的 PDF 以及 100 多种语言训练。
Hugging Face 推出 NeoMME：高效多模态多语言编码器
Hugging Face 发布 NeoMME 系列多语言多模态编码器，含 260M 和 800M 两个版本，用单个双向 Transformer 直接处理文本 token 与原始图像 patch，无需独立视觉塔或因果语言模型，并以掩码离散扩散目标从零训练。
Mistral AI精选AI 评分
Mistral 发布 OCR 4，支持边界框、块分类与置信度分数
Mistral 发布 OCR 4，在提取文本之外新增边界框、块类型分类和逐页逐词置信度分数，支持 170 种语言，可单容器自托管部署。该模型在 OlmOCRBench 上取得 85.20 分，OmniDocBench 上为 93.07 分，官方称独立标注者在 600 多份文档的盲评中平均偏好率约 72%。
推荐理由：OCR 4 把文档解析从纯文本扩展到带边界框和块分类的结构化输出，读者可据此判断它是否适合接入现有 RAG 或智能体流程。
JetBrains 发布 12B MoE 模型 Mellum2，Apache 2.0 开源
JetBrains 发布 Mellum2，一个从零训练、覆盖自然语言与代码的 12B 参数 MoE 模型，每个 token 仅激活 2.5B 参数，以 Apache 2.0 许可开源。官方称其在相近规模模型中基准表现有竞争力，推理速度超过 2 倍，可用于路由、RAG、摘要、子智能体和高吞吐编码场景。模型已在 Hugging Face 提供下载，技术报告发布在 arXiv（2605.31268）。
推荐理由：JetBrains 开源 12B MoE 模型，每 token 仅激活 2.5B 参数，读者可据此判断它在多模型系统中的定位。
Hugging Face 发布 Ettin Reranker 系列：六款 CrossEncoder 重排模型
Hugging Face 发布 Ettin Reranker 系列六款 Sentence Transformers CrossEncoder 重排模型，参数规模从 17m 到 1b，均基于 Ettin ModernBERT 编码器，并开源训练数据与完整训练配方。
IBM 发布 Granite Embedding Multilingual R2：97M 与 311M 两款 Apache 2.0 多语言嵌入模型
IBM 在 Hugging Face 发布 Granite Embedding Multilingual R2 系列两款 Apache 2.0 多语言嵌入模型，均基于 ModernBERT，支持 200+ 语言、32K token 上下文（较 R1 提升 64 倍）并新增 9 种编程语言的代码检索。
Google 发布 EmbeddingGemma 多语言嵌入模型
Google 发布 EmbeddingGemma，一个 308M 参数、2K 上下文窗口、支持 100 多种语言的多语言嵌入模型，面向端侧场景，量化后内存占用低于 200MB。
推荐理由：原文给出 308M 参数、2K 上下文与量化后 200MB 内存等指标，可据此判断端侧多语言检索的落地空间。
Mistral 发布代码嵌入模型 Codestral Embed
Mistral AI 发布首款专为代码设计的嵌入模型 Codestral Embed，在真实代码数据检索任务上优于 Voyage Code 3、Cohere Embed v4.0 和 OpenAI 的大型嵌入模型。