Apple 提出摊销式 MIPS 方法，用小型神经网络加速 RAG 检索
Apple 在 ICML 2026 论文中提出摊销式 MIPS 方法，针对固定键库离线训练小型神经网络，把查询路由到最佳匹配所在簇，从而加速 RAG 检索。
借鉴点
可借鉴用回归训练小网络替代质心路由的思路，SupportNet 做簇路由、KeyNet 改写查询接现有 IVF 索引，前提是查询分布稳定且需离线预计算真值样本。
#搜索
只收明天就能用得上的Apple Machine Learning精选AI 评分5858
掘金精选AI 评分7272 Elasticsearch 与 Jina AI 全模态搜索项目 elastic_multimodal_search 技术解析
开源项目 elastic_multimodal_search 用 Jina AI 多模态 embedding 把文本、图像、音频、视频帧映射到同一向量空间，再由 Elasticsearch 做 BM25 词法检索与 k-NN 向量检索的混合匹配，覆盖音乐、动物、图像、电影、图书、跨模态、套娃降维、词向量可视化 8 个 Streamlit 搜索模块。
借鉴点能拿走一套可跑的多模态检索模板，含 Jina 多模态 embedding 加 ES 的 BM25 与 k-NN 混合检索、RRF 融合和 Matryoshka 截断到 128/256/512/1024 维；落到知识沉淀和本地模型部署，前提是自备 ES 8+ 集群和 OpenRouter、Gemini 密钥。
掘金精选AI 评分7878 我用 SQLite 加 FTS5 和向量实现零依赖中文全文检索
作者在 delta search 中用 SQLite FTS5 加向量表实现零依赖中文混合检索，解决 unicode61 把整句中文当成一个 token 导致搜不到的问题。
借鉴点能拿走中文 bigram 分词加 FTS5 空格串索引、Float32 BLOB 存向量、RRF 融合三件套，落到本地知识沉淀和检索链路上；代价是单字查询失效、长查询 AND 过严、embedding 失败即永久降级。
Hacker News · AI 讨论精选AI 评分7171 Pallavi Singla 用 30 条实时查询评测 You.com、Tavily、Exa、Parallel 四家搜索 API
Pallavi Singla 在 30 条 agent 式查询上横向评测 You.com、Tavily、Exa、Parallel 四家搜索 API，覆盖 GTM、保险、金融三类场景，每条查询重复 3 次共 90 次调用。
借鉴点能拿走一套可复跑的搜索 API 评测框架，含 30 条 agent 式查询、答案键、promptfoo 配置和 MCP 接入方式，可用来给自家 agent 选搜索后端；代价是要自备四家 API key，且只跑了一天数据、每类 10 条，差一两条属噪声。
掘金精选AI 评分7171 用向量加 BM25、RRF 与 Rerank 四层检索解决 RAG 答不出精确问题
作者针对向量检索无法区分 ORD-2026-0087 与 ORD-2026-0176 这类精确字符的问题，给出向量加 BM25 双路召回、RRF 融合、Rerank 精排的四层混合检索链路，并附完整 Python 实现。
借鉴点能拿走向量加 BM25 双路召回、RRF 按名次融合、每路按最高分 30% 过滤、交叉编码器精排的完整链路和 Python 代码，落到知识沉淀和本地模型部署；代价是 Rerank 要调外部 API 且候选越多算力越贵。
已经到底了