阿里通义实验室推出了ZeroSearch，这是一个基于强化学习的框架，无需真实搜索引擎。通过模拟搜索环境和轻量微调，该框架提升了大模型的检索能力，降低了API成本。实验结果显示，ZeroSearch在多种问答任务中表现优异，兼容多种强化学习算法，具备良好的训练稳定性和灵活性，为智能检索提供了新思路。

本研究提出了SIM-RAG框架，旨在提升多轮检索增强生成系统的自我意识和检索能力。通过自我实践，系统能够更好地判断信息的充分性，从而优化检索决策。实验结果表明，SIM-RAG在多个基准测试中表现优异，显著提高了系统和数据的效率。

本研究探讨了语言模型逐字检索上下文信息能力的发展，发现该能力在训练初期发生显著转变，并与零样本学习相关。具体名词的检索优势在初期明显，但最终减弱，为理解语言模型的学习机制提供了重要见解。

该研究比较了双编码器与稀疏词袋模型和注意力神经网络的检索能力。研究发现双编码器在编码维数、金标和排名较低文件之间的边际以及文档长度方面存在限制。研究提出了一种结合了双编码器和注意力结构的简单神经模型，并探索了稀疏-密集混合模型以提高检索精度。这些模型在大规模检索中胜过替代方案。

本研究提出了一种新方法来增强$k$NN-MT的数据存储器的检索能力，通过重构原始数据存储器来解决上下游域之间的差距。实验证明该方法可以有效提高$k$NN-MT的数据存储器检索和翻译质量。

研究人员提出了一种适用于遥感图像的知识感知文本-图像检索（KTIR）方法，通过外部知识图谱挖掘相关信息。该方法丰富了搜索查询中的文本范围，缓解了文本和图像之间的信息差距，实现更好的匹配。实验结果表明，该方法在遥感文本-图像检索中表现出优异的检索能力，超越了现有的最先进方法。

Grok-1.5是一种具有长上下文理解和高级推理能力的大型语言模型。它在数学和编码任务中表现出色，并能处理长文档和复杂提示。Grok-1.5还展示了强大的检索能力，并构建在JAX、Rust和Kubernetes的自定义分布式训练框架之上。

该研究提出了一种联合训练方案，包括可微分的DPR集成答案生成，以端到端的方式进行训练。实验表明，该方案优于最近的OK-VQA系统。同时，引入了新的诊断指标来分析检索和生成之间的交互作用，模型的强大检索能力显着降低了训练所需的检索文档数量，从而在答案质量和训练所需的计算方面产生了显着的收益。