IRAH：分层智能体树搜索优化RAG检索流水线
IRAH提出用分层智能体树搜索优化RAG检索流水线，先选结构再调数值参数，并结合离线元学习初始化。在相同初始化下，LATS-IR在三项分布内基准中的两项优于TPE，最高提升6.4%；四项基准上热启动平均nDCG@10达0.4816。国内可用性与价格未知。
要点
- LATS-IR以UCT引导分层搜索，先探索宏观流水线结构，再细化数值参数，并用自然语言反思指导后续变异。
- 相同元学习初始化下，该方法在三项分布内基准的两项上超过TPE，增益最高6.4%，分布外基准保持竞争力。
- 四项基准中热启动IRAH的平均留出nDCG@10为0.4816，优于冷启动；代码、价格和国内可用性未知。
为什么值得看
RAG检索流水线需在有限评测预算下同时选择结构组件和数值超参数，IRAH试图用可检查的分层搜索提高优化效率。
谁会受影响
面向搭建或调优RAG与信息检索系统的研究者和工程团队。
今天就能怎么试
资料仅给出论文摘要，未说明代码、演示、价格或国内访问方式，均未知；目前无法据此直接试用，且未实测。
原始来源
1IRAH: Hierarchical Agentic Tree Search for Retrieval Pipeline Optimization · arXiv cs.AI · 2026年10月23日✓ 已打开核对本条由 AI 根据上面的原始来源整理，经编辑审核后发布。数字和结论以原文为准，发现错误欢迎反馈。
相关动态
开放世界模型结合游戏引擎，单卡生成实时可玩画面
Matrix-Game 4.0 让轻量引擎负责规则和状态，视频模型将低多边形画面转成细致视觉，编码智能体则修改场景与玩法。论文报告 RTX 5090 上实现 480p、60 帧交互，按键到显示延迟为 112 毫秒，并宣布开放代码与资产。实时帧率需与响应延迟分开看。
业务智能体基准检查执行过程，完成任务也可能判失败
BizAgentBench 将 789 份知识文档、601 项业务工具和 50 个长流程任务放进可执行环境，既核验最终目标，也检查中间步骤约束。论文显示只看任务完成会掩盖无效操作；HF 早期标题为 BizBench，arXiv 修订版已改名。同时还应记录任务过程中的工具调用成本。
中英密集文字生图基准发布，专测海报长文与布局
UltraText Bench 提供 432 条人工检查的提示，覆盖 24 类真实场景，中英文各半，每张图要求四至十二处文字。评估分别看文字准确、清晰度、空间安排和场景质量，揭示快速模型可能更清晰却更容易写错字的取舍。适合中文海报选型。
AI协助发现PHP高危漏洞，网站维护者面临集中修补
爱范儿梳理 PHP2Shell 漏洞披露与紧急修补过程，介绍 OpenAI 安全研究在构造可复现证据中的作用。事件涉及底层软件广泛使用带来的连锁影响；具体风险取决于运行版本与部署条件，不能把使用 PHP 都等同于已经遭入侵。