ChromaDB：Python 中的嵌入与向量数据库

Granite Embedding Multilingual R2：Apache 2.0 开源多语言嵌入模型，32K 上下文，sub-100M 检索质量最佳

Granite Embedding Multilingual R2: Open Apache 2.0 Multilingual Embeddings with 32K Context — Best Sub-100M Retrieval Quality

IBM Granite 团队发布的两个基于 ModernBERT 的 Apache 2.0 多语言嵌入模型介绍：97M 参数紧凑版在 MTEB Multilingual Retrieval 上得分 60.3，311M 完整版得分 65.2（500M 参数以下开源模型中排名第二）并支持 Matryoshka。两者覆盖 200 多种语言、在 52 种语言上调优、支持 32K token 上下文（为 R1 的 64 倍），并新增 9 种编程语言的代码检索。文中还涉及与 R1 的差异、训练过程、基准结果及部署方式等。

cdcailf/cjkfold

这是一个 Python 库，用于把形近的 CJK 字形（康熙部首、CJK 部首补充等）折叠回常见汉字，使从 PDF 中提取的文本能正常匹配。README 举例说明「⻆」「⾊」等字符渲染上像「角」「色」但实际码位不同，导致字符串包含判断失败；提供 fold 函数进行归一化，并说明无运行时依赖、纯函数、支持 Python 3.9+。仓库还附有一篇关于 PDF 中文抽取后无法检索的中文背景文章，并提到建立在其上的 corpusfold 项目。

Ettin Reranker 家族介绍

Introducing the Ettin Reranker Family

Tom Aarsen 发布的文章，推出六个基于 Ettin ModernBERT 编码器的 Sentence Transformers CrossEncoder 重排模型，参数量分别为 17M、32M、68M、150M、400M 和 1B，并公开训练数据与完整训练方法。模型采用蒸馏训练：在以 cross-encoder/ettin-reranker-v1-data 上 mixedbread-ai/mxbai-rerank-large-v2 的分数做逐点 MSE，该数据集是 lightonai/embeddings-pre-training 的子集与 lightonai/embeddings-fine-tuning 中重排子集的混合。文章还包含与多个嵌入模型在 MTEB(eng, v2) Retrieval 上的搭配结果、使用说明和训练说明。

Mistral OCR 4：面向文档智能的 SOTA OCR

Mistral OCR 4 : SOTA OCR for Document Intelligence

这是 Mistral 于 2026 年 6 月 23 日发布的博客，介绍 OCR 4 文档解析模型。该模型在提取文本之外还提供边界框、区块分类和行内置信度分数，支持 170 种语言、可单容器自托管部署，定位于企业搜索、RAG 和智能体工作流的文档摄取，可通过 API 或 Document AI 使用，文中称其在人工评估和基准测试中优于领先的 OCR 系统。

AI 工程实验室（24 周 AI 工程自学课程）

Zorost Intelligence AI Lab 发布的一套免费、自定进度的 24 周 AI 工程课程仓库，采用 MIT 许可，无需注册。内容覆盖 Python、机器学习、LLM、RAG、微调、Agent 与 MCP，以及 Azure、Vertex、Bedrock 和 Databricks 等平台，包含 43 个可运行的 notebook 和一个贯穿全程的案例研究。README 提供克隆安装步骤，并指引编程或 AI 新手先阅读 START-HERE.md。

yjid/kensaku

这是一个免费开源的本地文件启动器与搜索工具，支持对文件名、文档、代码和截图内容进行全文、OCR 与语义搜索，并可通过 MCP 供代理访问；所有数据不离开本机。README 称搜索 10 万个文件名约需 1 毫秒、占用约 12 MB 内存。标签包含 Rust、Tauri、Windows、隐私等。适合关注本地优先桌面搜索、希望让 AI 代理检索本机文件的人阅读。