绕过推理瓶颈：Google 用 Retrieve-for-Train 加速复杂 AI 搜索
Google 在 ICML 2026 论文中提出 Retrieve-for-Train 框架，用离线强化学习将属性对齐的查询扇出编译为监督信号，并蒸馏进 53.9M 参数的扩散检索器，实现单次非自回归推理，无需测试时思维 token。该方法在 Gemma3-4B 和 Qwen3-4B 上微调，解决零样本 LLM 的释义坍缩与自回归延迟瓶颈。
#搜索
#搜索
今日 0 条Google ResearchAI 评分3838
Mistral AI精选AI 评分7272 Mistral 发布 Agentic Search，提升复杂文档检索准确率并降低延迟
Mistral 发布 Agentic Search，一个多步骤检索层，让模型能搜索、导航、读取并验证复杂文档中的信息。在 FinanceBench 上，准确率从 26.7% 提升至 86%，OfficeQA Pro 上提升 45.6 个百分点；p90 延迟降低最多 39.6%，token 消耗减少三分之一。
推荐理由：官方给出了基准测试的准确率、延迟和 token 消耗数据，读者可据此判断 Agentic Search 相比传统 RAG 的实际收益。