IBM Research
PulseAugur coverage of IBM Research — every cluster mentioning IBM Research across labs, papers, and developer communities, ranked by signal.
- subsidiary of IBM 100%
- developed Vakra 95%
- developed Granite Embedding Multilingual R2 95%
- developed by ScarfBench 95%
- developed by Vakra 90%
- developed ScarfBench 90%
- used by Vakra 60%
- affiliated with Vakra 60%
- affiliated with DeepInfra 50%
- competes with DeepInfra 50%
- competes with Inkling 50%
- affiliated with Mellum2 50%
- 2026-09-07 product_launch IBM Research has launched two new AI models, Vakra and Granite Embedding Multilingual R2. 来源
4 天有情绪数据
-
工具将 PDF 转换为 Markdown 以供 LLM 使用，助力 RAG 和数据提取
两篇文章讨论了将 PDF 文档转换为 Markdown 格式的方法，这种格式更易于 LLM 处理，用于检索增强生成 (RAG) 或提示包含等任务。第一篇文章比较了三个开源 Python 工具——MarkItDown、Docling 和 Marker——并评估了它们在各种 PDF 类型上的性能，指出 Docling 在处理复杂文档时提供了最佳输出质量，尽管处理速度较慢。第二篇文章介绍了一个名为 PDF Text Extractor 的 …
-
自托管 RAG 解决方案因企业数据安全而获得关注
企业越来越多地采用检索增强生成（RAG）来访问内部敏感数据，但安全问题需要自托管解决方案。RAG 系统可能容易受到攻击，从而泄露检索数据库中的信息，因此自托管 RAG 提供强大的访问控制、数据隔离和安全测试至关重要。组织应根据部署灵活性、文档处理能力、模型选项和可观察性功能来评估 RAG 解决方案，以确保数据隐私和系统完整性。
-
新方法解决AI代理不一致性问题，提高可靠性
研究人员开发了一种新方法来解决AI代理中的不一致性问题，即一次成功的任务在后续尝试中可能会失败。这个问题通常被平均性能指标所掩盖，但对于任务关键型应用尤其重要。这种新方法称为一致性分析器（Consistency Analyzer），通过重新采样代理轨迹来识别容易失败的决策点。通过将这些诊断转化为指导方针，该系统在不牺牲平均准确性的情况下显著缩小了不一致性差距。
-
JetBrains、Thinking Machines 和 IBM Research 发布新 AI 模型和见解 · 跟踪 3 个来源
JetBrains 推出了 Mellum2，一个 120 亿参数的专家混合模型，详情见 Hugging Face。另外，Thinking Machines 推出了 Inkling，同样在 Hugging Face 上展示。IBM Research 发布了关于模型路由复杂性的见解，这些信息也可通过 Hugging Face 获取。
-
IBM Research 发布 Vakra 分析工具和 Granite 多语言嵌入模型
IBM Research 发布了两款新 AI 模型：Vakra，用于分析代理推理、工具使用和失败模式；Granite Embedding Multilingual R2，一个开源的多语言嵌入模型，具有 32K 上下文窗口。Vakra 模型在 Hugging Face 的一篇博客文章中有详细介绍，Granite Embedding Multilingual R2 也可在 Hugging Face 上获取，并采用 Apache 2.0 许可。
-
关于Agent记忆和LLM基准测试的AI研究被重点提及
两条Mastodon帖子重点介绍了Hugging Face博客上关于AI Agent和LLM基准测试的最新研究。第一篇帖子讨论了AI Agent的记忆需求，引用了IBM Research关于ALTk-Evolve-HMM的研究。第二篇帖子深入探讨了LLM基准测试的实际衡量内容，引用了Allen Institute for Artificial Intelligence关于BenchMIRT的工作。
-
IBM Research 开源 GenAI AI 策略模式
IBM Research 发布了一个专为生成式 AI 应用设计的开源策略模式。该模式采用 YAML 格式，并附带一个合成数据管道，旨在帮助在整个生成式 AI 生命周期中强制执行内容规则。
-
Hugging Face 聚焦 DPO、新模型和路由中的 AI 进展
Hugging Face 正在重点介绍 AI 的几项最新进展，包括一篇关于直接偏好优化（DPO）的博客文章，该文章使语言模型能够充当奖励模型。另一篇文章讨论了提供与现有模型类似优势的新模型，而另一项单独的公告介绍了 Thinking Machines 的 Welcome Inkling。此外，IBM Research 因其在模型路由策略方面的工作而受到关注。
-
IBM Research 探索代理式开发瓶颈
IBM Research 开发者倡导者 Markus Eisele 正在探索代理式开发，重点关注创建有效系统规格和确保 AI 生成输出的质量保证的关键方面。他的工作突显了该领域新的瓶颈，特别是为不同代码库类型定义正确规格数量和质量的挑战。
-
IBM Research 发布 Vakra 和 Granite Embedding Multilingual R2 模型
IBM Research 通过 Hugging Face 发布了两款新模型：Vakra，一个用于分析代理推理、工具使用和故障模式的基准模型；以及 Granite Embedding Multilingual R2，一个具有 32K 上下文窗口的开源多语言嵌入模型。Vakra 旨在提供对 AI 代理如何运行的更深入的见解，而 Granite Embedding Multilingual R2 则专注于参数量少于 1 亿的模型，旨在提供高…
-
IBM Research 发现：Agent memory 对部分 AI 模型有提升，但对其他模型无效
IBM Research 对八种 AI 模型进行了 Agent memory 测试，观察到性能提升效果不一。测试中最大的模型未见任何提升，而一个拥有 1170 亿参数的模型在增加 5% token 成本的情况下，性能提升了 16 个点。
-
Hugging Face 和 IBM Research 探讨 AI 代理的内存需求
一篇来自 Hugging Face 的博文，由 IBM Research 联合撰写，探讨了 AI 代理的内存需求。文章标题为“您的代理实际上需要多少内存？”，深入探讨了这些代理有效运行所需的内存容量的具体细节。该文章已在包括 Mastodon 在内的多个平台分享。
-
Hugging Face博客文章涵盖AI开放性、模型更新和路由 · 跟踪6个来源
Hugging Face正在发布一系列涵盖各种AI主题的博客文章。这些文章包括关于AI和网络安全开放性重要性的讨论，向Reachy Mini添加MCP工具，以及对2026年夏季开放模型现状的分析。此外，Hugging Face还重点介绍了PaddleOCR 3.5更新，该更新支持OCR和文档分析的Transformers后端，以及Thinking Machines推出的Inkling。文章还涉及模型路由的复杂性，并包含来自IBM Re…
-
Hugging Face 强调 AI 在优化、专业化和新模型方面的研究
Hugging Face 正在重点介绍 AI 研究和开发的几项最新进展。其中包括一种超越典型聊天机器人应用的新型直接偏好优化方法，以及关于 AI 专业化不可避免性的讨论。此外，该平台还推出了一个名为 ScarfBench 的企业 Java 框架迁移 AI 代理基准测试，以及一个专为增强边缘计算能力而设计的视觉模型 LFM2.5-VL-3B。这些帖子还涉及提供与现有模型相似优势的新模型，并探讨了可能超越流行的 LoRa 微调技术。
-
GENCO 神经网络求解器统一电网分析任务，提供显著加速
研究人员开发了 GENCO，这是一种专为电力传输电网稳态分析设计的统一神经网络求解器。这种新架构可以在单个模型中处理潮流、最优潮流和状态估计任务。GENCO 表现出显著的加速，在潮流计算方面比传统方法快 30 倍，在最优潮流计算方面快 85 倍，同时在状态估计方面也显示出更强的鲁棒性。
-
IBM Research 发布 Vakra 和 Granite Embedding Multilingual R2 模型
IBM Research 发布了两款新模型：Vakra，用于分析代理推理和工具使用；Granite Embedding Multilingual R2，一个开源的多语言嵌入模型，具有 32K 上下文窗口。Vakra 的内部结构在基准分析中有详细介绍，而 Granite Embedding Multilingual R2 的目标是在 1 亿参数以下实现高质量搜索。
-
专家称 AI 模型路由优化需要后勤方法
路由 AI 模型可以是一种节省成本的策略，但如果不考虑缓存和内容分发基础设施，可能会导致损失。IBM Research 的专家建议，成功的关键在于将模型选择视为一项多标准后勤操作。这种方法旨在通过在模型路由过程中仔细平衡各种因素来优化性能和成本效益。
-
Thinking Machines 发布 Inkling AI 模型；IBM Research 讨论路由 · 跟踪 2 个来源
Thinking Machines 推出了新的 AI 模型 Inkling，详细信息发布在 Hugging Face 上。另外，IBM Research 分享了关于模型路由的见解，也通过 Hugging Face 发布。两篇帖子均为自动生成并发布在 Mastodon 上。
-
JetBrains 发布 Mellum2 模型；Hugging Face 强调评估和 ScarfBench
JetBrains 推出了 Mellum2，一个拥有 120 亿参数的专家混合模型，详情在 Hugging Face 上公布。另外，Hugging Face 正在展示其平台上各种模型的过往评估结果。此外，IBM Research 推出了 ScarfBench，一个用于评估企业 Java 框架迁移的 AI 代理基准测试。
-
Hugging Face 博客文章涵盖 AI 智能体、推理和批处理 · 跟踪 3 个来源
此集群汇总了来自 Mastodon 的三篇帖子，每篇都链接到一篇 Hugging Face 博客文章。第一篇帖子讨论了 Vakra 的内部工作原理，重点关注 IBM Research 详细介绍的智能体推理、工具使用和失败模式。第二篇帖子重点介绍了 DeepInfra 对 Hugging Face 推理提供商的看法。第三篇帖子探讨了在连续批处理中异步的使用。