09:53rohanpaul_ai@rohanpaul_ai精选72°Harness-1 提出一种新方法,将搜索智能体的记忆管理工作从模型中剥离,交给一个外部辅助系统(harness)处理。传统搜索智能体需要在有限的上下文窗口中同时进行搜索决策和记忆所有文档、线索、失败路径等,导致认知负担过重。Harness-1 让模型专注于语义选择(如搜索什么、验证什么),而 harness 负责可恢复状态(如候选池、证据链接、去重观察等)。实验表明,一个 20B 模型通过减少内部记忆负担,在搜索任务上表现显著提升,且在未见过的基准测试上增益更大,说明模型学到了可复用的搜索策略而非领域记忆。论文搜索智能体记忆外置强化学习Harness-120B模型推荐理由:做搜索智能体或 RAG 系统的开发者,Harness-1 的思路能帮你解决模型上下文窗口瓶颈,让智能体在复杂搜索中更高效,值得参考其状态外置设计。原文
10:01AK@_akhaliq精选GrepSeek 是一种新型搜索智能体训练方法,旨在让 AI 直接与语料库进行交互,而非依赖传统检索管道。它通过强化学习训练模型学会自主搜索、定位和提取信息,显著提升在复杂查询中的准确性和效率。该方法解决了现有搜索系统在长尾、多步推理任务中的局限性,为信息检索和问答系统提供了新范式。实验表明,GrepSeek 在多个基准测试上优于传统检索增强生成(RAG)方法。论文搜索智能体强化学习语料库交互信息检索GrepSeek推荐理由:做搜索或问答系统的开发者值得关注——GrepSeek 让 AI 学会自己翻语料库,比 RAG 更灵活,建议看看它怎么绕过传统检索瓶颈。原文