Gen Digital은 전문직 대상 평판 관리 플랫폼 「Norton Revamp」의 AI 큐레이션 뉴스 엔진을 Amazon Bedrock AgentCore Web Search를 사용해 구축했다고 밝혔다. AgentCore Web Search는 완전 관리형 서비스이며 AWS 환경 안에서 완결되고, 인용 원본 URL과 공개일을 반환하므로 콘텐츠 제안을 최신 출처가 명시된 정보에 기반하게 할 수 있다. 뉴스 엔진에서는 Amazon Nova Lite가 순위가 매겨진 검색 결과를 바탕으로 게시물 초안을 생성한다.
Crawl4AI로 수집한 웹 페이지를 Markdown 본문과 메타데이터 사이드카 파일로 준비한 뒤, Amazon S3 데이터 소스를 거쳐 Amazon Bedrock Knowledge Bases에 적재하는 절차를 설명한다. 표준 Amazon Bedrock Web Crawler로는 처리하기 어려운 불필요한 영역 제거, CSS 셀렉터를 이용한 영역 추출, 사용자 정의 메타데이터 부여가 필요한 경우에 쓰는 경로다. 샘플 구현은 aws-samples 리포지토리에서 제공된다.
카카오가 개인화 AI 에이전트의 기반 기술인 임베딩 모델 'Kanana-2-embedding' 2종을 허깅페이스에 오픈소스로 공개했다. 30억 파라미터의 Kanana-2-3b-embedding과 13억 파라미터의 Kanana-2-1.3b-embedding이며, 유사 규모의 공개 모델과 비교한 평가에서 가장 높은 한국어 성능과 유사한 수준의 영어 성능을 보였다. 두 모델에는 상업적 활용이 가능한 '카나나 오픈 라이선스'가 적용됐다.
OpenAI Developers@OpenAIDevsAI 점수3838
NVIDIA는 오픈소스 NVIDIA Agent Toolkit에 새 도구를 추가해 확충하고, 기업 데이터를 활용해 에이전트를 구축·관리할 수 있도록 했다고 밝혔다. 새로운 Agent Knowledge Foundation에는 CUDA-X 라이브러리, Auto-Ontology 라이브러리, Nemotron Retriever, Kumo의 오픈 모델이 포함된다. OpenShell은 에이전트의 접근과 동작을 제어하는 안전한 런타임을 제공하며, SAP의 리랭커는 거의 3배 빨라졌다.
Google DeepMind, 텍스트·이미지·동영상 프레임·오디오를 하나의 벡터 공간에 매핑하는 오픈 웨이트 임베딩 모델 EmbeddingGemma 2 공개
Perplexity@perplexity_aiAI 점수3939Gemini 4 Argon이 WANDR에서 신기록을 세웠다. 현재 Perplexity에서 Pro 및 Max 구독자를 대상으로 제공되고 있다.
SSR은 멀티모달 검색 에이전트의 추론을 사전에 정의된 재사용 가능한 후보 중에서 선택하는 방식으로 바꿔, 턴당 추론 지연 시간을 90% 이상 줄인다고 밝혔다. 질문별 전체 추론 지연 시간은 28~54% 감소했으며, 2B와 4B 모델로 진행한 7개 멀티모달 검색 벤치마크에서 같은 규모의 주요 검색 에이전트에 필적하는 평균 성공률을 보였다. 강화학습과 지도 파인튜닝 모두에서 과제 성능을 떨어뜨리지 않으면서 효율을 높였다.
유엔 시스템이 각 기관의 통계를 하나의 검색 가능한 지식 그래프로 통합한 오픈소스 플랫폼 「UN System Data Commons」를 출범했다. Google의 Data Commons를 기반으로 하며, Google.org가 유엔재단을 통해 지원한다. 자연어 검색으로 지표와 시각화를 얻을 수 있으며, Model Context Protocol(MCP)을 지원하는 AI 에이전트가 공식 통계를 가져와 그래프와 보고서를 작성할 수 있다. 2027년까지 유엔 시스템의 통계 데이터셋 80%를 수록하는 목표가 제시되었다.
Google Research는 오프라인 강화학습으로 검색 쿼리 팬아웃(분해)을 학습하고 이를 경량 확산 리트리버로 증류하는 「Retrieve-for-Train」을 발표했다. 추론 시에는 사고 토큰을 사용하지 않고 한 번의 패스로 관련 쿼리 집합을 생성할 수 있다. 확산 리트리버는 53.9M 파라미터이며, Gemma3-4B와 Qwen3-4B를 집합 단위 보상으로 학습했다.
Google 검색의 AI 모드는 마라톤 등 레이스 준비에 도움이 된다. 훈련 계획은 +메뉴에서 Canvas 도구를 선택해 만들 수 있으며, 교차 훈련과 근력 훈련을 포함한 계획을 작성할 수 있다. YouTube Music 계정을 연동하면 러닝용 맞춤 플레이리스트를 만들 수 있고, Shopping Graph의 600억 건이 넘는 상품 정보를 바탕으로 와이드 풋용 신발이나 80달러 미만의 하이드레이션 베스트 등을 비교하며, 재고 현황과 매장 재고도 확인할 수 있다.
Hugging Face가 260M과 800M 두 가지 크기로 구성된 다국어 멀티모달 인코더 「NeoMME」를 발표했다. 사전 학습된 비전 타워를 사용하지 않고, 단일 양방향 Transformer로 텍스트 토큰과 이미지 패치를 동시에 처리한다.
Sentence Transformers v6.0에 새로 추가된 모델 타입 MultiVectorEncoder를 사용해 ColBERT 방식의 레이트 인터랙션 검색용 멀티벡터 모델을 파인튜닝하는 절차가 소개된다.
Papers with Code 검색은 PostgreSQL 전문 검색과 pgvector 벡터 검색을 RRF로 통합한 하이브리드 검색으로 구축되었다. 논문 임베딩은 Hugging Face Jobs의 L4 GPU에서 오프라인으로 생성하며, arXiv와 Daily Papers의 11만 건이 넘는 현행 논문을 대상으로 한다. 온라인에서는 쿼리 임베딩만 Inference Endpoints에서 처리하고, 엔드포인트가 중지되거나 혼잡할 경우 전문 검색으로 전환한다.
Mistral은 기존 검색 인덱스 위에서 다단계 검색 루프를 실행하는 「Agentic Search」를 발표했다. FinanceBench에서는 정답률이 26.7%에서 86%로, OfficeQA Pro에서는 6.3%에서 51.9%로 향상되었으며, p90 레이턴시는 최대 39.6%, 토큰 소비는 최대 3분의 1까지 줄어든다. search, open, navigate, read, grep 등 5개의 도구로 동작하며, Mistral Search Toolkit과 Libraries에서 이용할 수 있다.
Sentence Transformers v6.0에 ColBERT 방식의 Late Interaction 검색을 지원하는 새 모델 유형 「MultiVectorEncoder」가 추가됐다. PyLate와 Stanford-NLP의 ColBERT 체크포인트, colpali-engine 모델을 불러올 수 있으며, 토큰마다 벡터를 보관하고 MaxSim으로 점수를 매긴다. 단일 벡터 모델보다 검색 정확도가 높은 대신 인덱스 크기는 커진다.
Google이 Gemini Enterprise Agent Platform용 Agentic RAG 기반 크로스 코퍼스 검색(Cross-Corpus Retrieval)을 제공한다고 발표했다. 여러 에이전트가 계획, 쿼리 재작성, 검색을 나눠 맡고, 정보가 부족하지 않은지 확인하면서 검색을 이어간다. 표준 RAG와 비교해 사실성 데이터셋에서 정확도가 최대 34% 향상된 것으로 알려졌다.
Mistral AI가 AI 애플리케이션용 프로덕션 검색 파이프라인을 구축하는 조합형 프레임워크 「Search Toolkit」을 퍼블릭 프리뷰로 공개했다. 수집, 검색, 평가를 공통 인터페이스로 통합했으며, 오픈소스로 제공되고 클라우드, 온프레미스, 엣지 어디에서든 동작한다. 검색 방식으로 BM25, 임베딩 기반 밀집 벡터 검색, 두 방식을 결합한 하이브리드 구성을 갖추고 있으며, 평가에서는 recall, precision, MRR, NDCG를 측정할 수 있다.
Mistral AI가 신규 OCR 모델 「Mistral OCR 3」을 발표했다. 사내 벤치마크에서 양식, 스캔 문서, 복잡한 표, 손글씨 영역 전반에 걸쳐 Mistral OCR 2 대비 전체 74%의 승률을 기록했다고 밝혔다. 요금은 1,000페이지당 $2이며, Batch API의 50% 할인을 적용하면 $1이 된다. API의 mistral-ocr-2512와 Mistral AI Studio의 Document AI Playground에서 이용할 수 있다.
Mistral AI는 코드 전용 첫 임베딩 모델 「Codestral Embed」를 공개했다. 실제 코드 데이터를 사용한 검색 과제에서 Voyage Code 3, Cohere Embed v4.0, OpenAI의 대규모 임베딩 모델을 크게 앞선다고 밝혔다. API에서는 「codestral-embed-2505」라는 이름으로 제공되며, 가격은 100만 토큰당 0.15달러이고, 배치 API에서는 50% 할인된다.