Condé Nast 如何利用 Amazon Bedrock 构建多模态视频发现系统
Condé Nast 基于 Amazon Bedrock 和 Amazon OpenSearch Service 构建多模态视频发现系统，将内容检索时间从 250 分钟缩短至 2 分钟以内。该系统采用 TwelveLabs Marengo 嵌入模型，对超过 140,000 个视频的转录、视觉和音频信号进行联合编码，支持基于意图的语义搜索。此前编辑团队依赖标题和描述手动查找素材，导致运营效率低下。
#搜索
#搜索
今日 0 条AWS Machine Learning BlogSI 评分3131
Google ResearchSI 评分3030 Google Research 提出 Retrieve-for-Train 框架加速复杂 AI 搜索
Google Research 在 ICML 2026 论文中提出 Retrieve-for-Train 框架，通过离线强化学习将查询分解行为编译至 53.9M 参数的扩散模型，实现单次非自回归推理。该方案利用 Gemma3-4B 和 Qwen3-4B 进行监督合成，消除了推理时的思维 token 开销，解决了传统 LLM 在集合级搜索中的延迟瓶颈。
Hugging Face BlogSI 评分3838 Hugging Face Inference Endpoints、Jobs 与 Buckets 如何支撑 Papers with Code 搜索
Papers with Code 的搜索采用混合检索架构，由 Hugging Face Jobs 批量生成论文嵌入向量、Storage Buckets 做持久化中转、Inference Endpoints 提供在线查询的低延迟嵌入，目前覆盖 arXiv 与 Daily Papers 的逾 11 万篇论文。