忆时塔分层记忆实测显示：精确回想实现全程100%召回；近因基线仅滞后一天便断崖归零；一次性压缩因转述拆散条目与取值对应关系而全部出错。递归总结的保真度取决于输入多样度，单输入实为复述而非压缩。真实语料中，量化证据与因果机制最先丢失，专有名词存活最久。作者两次测量方法出错，强调须警惕长度假象与抽取歧义。

Amazon S3 Vectors 新增元数据预筛选功能，在相似度搜索前先按元数据过滤，提升筛选查询召回率，高选择性场景下匹配量可达原先5倍。支持 $startsWith 前缀匹配，每向量2KB元数据，单查询最多100个约束，无额外费用且无需重新摄取。适用于法律、金融、媒体及智能体等场景，现有索引可通过 UpdateIndexMode 启用。

搜索效果差时，不应只升级重排序模型。大规模重排序成本高、延迟大，且候选池本身没有好结果时重排序也无能为力。更优方案是将检索设计为多阶段漏斗：先用低成本词法、向量或混合检索生成大量候选，再逐步收窄，最后才用机器学习重排序。该思路同样适用于RAG，需权衡召回率、相关性、延迟与成本。

本文介绍Elasticsearch的基本概念与指标：近实时搜索延迟约1秒；集群由多节点组成，统一进行索引和搜索；节点是集群中的服务器；索引是相同特性文档的集合；文档是最小索引单元，以JSON表示；分片用于突破单机存储限制，副本保障可用性；fielddata用于文本字段内存查询；doc values支持高效聚合；norms存储评分因子；召回率衡量查全，准确率衡量查准。

本文讨论检索系统中候选深度（candidate depth）的调优方法。建议先设置基线，测试100-200的limit值，并对比近似搜索与精确搜索的召回率。增加候选可提升最佳可能分数，但需权衡延迟。当RAM受限时，优先考虑量化而非降低深度。hnsw_ef仅在召回率未饱和时调整。最后根据最佳可能分数与当前分数的差距，决定优化排序或检索。

候选深度是检索阶段传给后续排序的候选数，仅当后续阶段能利用额外候选时才有意义。建议初始测试100至200，但需按自身数据验证。提高hnsw_ef仅在召回率仍上升时有效，否则只增延迟。内存受限时优先测试量化，而非降低候选深度。

AI长期运行后记忆衰退，OpenAI通过“梦境”机制在后台整理记忆，合并重复、取代旧事实、综合推论，使召回率从41.5%提升至82.8%。Anthropic、Google等公司跟进，核心理念是主动清理优于无限扩容。记忆管理转向主动遗忘，保留历史痕迹，但综合节奏和版本处理仍待解决。

Elasticsearch使用HNSW算法在每秒15,000个查询下实现0.99的召回率@10。通过量化技术，DiskBBQ在55,000 QPS下达到0.97的召回率，内存占用减少8倍。HNSW通过多层图结构提高查询效率，适合高维数据的近似最近邻搜索。量化方法如标量量化和产品量化进一步压缩内存，提升性能。

麻省理工学院研究人员提出Wave-Former方法，利用毫米波技术实现高精度三维重建，成功克服传统视觉模型的局限，召回率从54%提升至72%，精度保持在85%。研究成果已发布于arXiv。

构建体育新闻搜索系统时，处理文本与图像的相关性问题。提出了两阶段检索流程：首先使用jina-clip-v2获取候选文档，然后用jina-reranker-m0进行统一排序，从而提升检索效果，最终实现62%的召回率提升。

精确率和召回率是评估分类模型性能的关键指标。精确率衡量预测为正的项目中正确的比例，适用于垃圾邮件检测和医疗诊断；召回率衡量实际正例的识别数量，适用于疾病和欺诈检测。两者共同优化模型的准确性和覆盖率。

评估AI应用的准确性指标，如精确度、召回率和F1分数，是理解模型表现的关键。通过使用标记数据集进行测试，可以优化API提取器的性能，并平衡精确度与召回率，以减少错误标记和漏标真实端点。

Elasticsearch 9.0和8.18版本发布，提供更快的BBQ（更好的二进制量化），速度比OpenSearch快5倍。新算法提升了召回率和吞吐量，支持多种语义搜索模型，简化API，改善开发者体验。

垃圾信息在现代通信中持续存在。本文利用SMS垃圾信息数据集，通过数据挖掘技术分析和预测垃圾信息模式。采用逻辑回归进行分类，K均值聚类探索数据结构。结果显示，逻辑回归的准确率为89%，但召回率较低，表明模型在识别垃圾信息时存在漏检。未来可通过集成方法和深度学习提高召回率。

北京大学彭宇新教授团队研究了多轮组合图像检索，提出FashionMT数据集和MAI模型，解决了历史上下文缺失和数据规模限制的问题。实验结果显示，MAI在FashionMT基准上的召回率提升了8%，有效优化了多模态检索性能。