Google 用 Retrieve-for-Train 框架突破推理瓶颈，加速复杂 AI 搜索

Google Research 提出 Retrieve-for-Train 框架，用离线强化学习将奖励对齐的查询扇出编译为监督信号，再蒸馏进一个 53.9M 参数的扩散检索器，实现推理时单次非自回归生成完整结果集，无需测试时 CoT 推理 token。该方法基于 Gemma3-4B 和 Qwen3-4B 微调，旨在解决零样本 LLM 的复述坍缩与自回归延迟瓶颈，论文已被 ICML 2026 收录。

Perplexity@perplexity_aiAI 评分3030

Perplexity 发布研究博客，介绍其为支撑搜索结果嵌入与排序模型构建的 SoTA 推理服务基础设施。研究说明 Perplexity 每个答案的第一步都由嵌入和排序模型为查询挑选最相关结果，全文见 https://www.perplexity.ai/hub/blog/fast-embeddings-on-gpus。

Productrise 研究：Google AI Mode 展示的同类商品价格比传统搜索高21.6%

Productrise 在2026年8月9日至31日的23天里追踪了超过10万个 SERP 和 AI Mode 响应中的200多万条商品列表，发现同一商品在 Google AI Mode 中的标价平均比传统搜索高21.6%。

AK@_akhaliqAI 评分2525

论文 CoGR 训练 LLM 在查询侧和物品侧同时生成紧凑关键词，通过倒排索引直接匹配，并用 GRPO 交替优化两侧生成器。在内部 APP Marketplace 数据集和公开 WANS 基准上，CoGR 相比最强基线分别提升 F_1 10.9% 和 36.1%。论文链接：https://huggingface.co/papers/2609.00638

Iris-mini 与 Iris-pro：开源搜索智能体在 BrowseComp 和 HLE 上取得强结果

论文提出 Iris-mini 和 Iris-pro 两个搜索智能体，分别以 35B-A3B 和 397B-A17B 规模训练，并公开其数据管线与训练配方。任务从网页超链接结构反向构造多跳问题，经轨迹级与轮次级过滤后 SFT，再用 SFT-RL climbing 交替优化。

Haus Research 审计：Perplexity 三分之一的引用页面并不包含被引数字

Haus Research 对 Perplexity 的 sonar 与 sonar-pro 两个搜索模型提出 310 个关于 210 家科技公司的事实问题，抓取全部 cited URL 核验。

研究称三个站点制作了 215,128 个 AI 最佳软件页面并被 Perplexity 引用

Trellner 于 2026 年 9 月 2 日向 perplexity/sonar 和 sonar-pro 询问 380 个软件类目的最佳产品，共 760 次调用，收集到 7,534 条引用，其中 59.8% 指向 Tranco 排名 10 万之后、23.4% 指向完全不在百万名内的域名。

CoGR：用强化学习共同进化查询与物品两侧的生成式检索器

论文提出 CoGR 检索框架，训练 LLM 直接在查询侧和物品侧生成紧凑关键词集，经倒排索引直接匹配，兼容现有关键词检索基础设施。训练采用两阶段流程，先用监督微调对齐关键词空间，再用 GRPO 交替优化两侧生成器，双方共同优化同一 query-to-item 检索 F_1 目标。