Perplexity 开源 pplx-embed-v2-late，这是面向文本与图像的多向量嵌入模型，提供 9B 和 0.6B 两个版本并共享同一嵌入空间。其中 9B 可用于索引多模态数据，0.6B 可用于端侧查询，还支持无需 OCR 直接搜索 PDF 页面。官方称其在 MADQA 上得分 92.4%，在 BrowseComp+ 上得分 64%，权重已在 Hugging Face 发布。
谷歌于 10 月 6 日开源 EmbeddingGemma 2，这是其首个原生多模态开源嵌入模型，可把文字、代码、图片、视频、音频放进同一个 768 维空间并用一句话检索。
Perplexity 发布 pplx-embed-v2-late，包含两个延迟交互嵌入模型，可在共享嵌入空间中检索文本、图像和页面，实现跨模态查询；两个模型均达到前沿性能，并已在 Hugging Face 公开可用。
Google DeepMind 开源发布原生多模态、专为端侧设计的 740M 参数嵌入模型 EmbeddingGemma 2，把文本、代码、图像、视频、音频映射进同一个 768 维向量空间。
Google 开源 EmbeddingGemma 2，这是一个可在手机和电脑本地运行的多模态嵌入模型，文字、图片、视频、音频和代码可放进同一套坐标系，不联网也能用一句话检索内容。
Google DeepMind 发布 EmbeddingGemma 2，参数量 740M，在多项基准上具有竞争力，甚至超过部分参数量两倍以上的专用模型。开发者可用它为应用加入多模态搜索，例如用语音备忘录在视频中定位片段，也可与 Gemma 4 搭配实现私密的端侧 RAG。该模型以 Apache 2.0 许可发布，权重已在 Hugging Face 和 Kaggle 上线。
Cohere 的 Embed 5 成为首个使用 RCP-nDCG @10 评测的模型家族。这一最新评测方法改进了对真实检索质量的评估，因此 Embed 5 的基准分数看起来与以往不同。
在 ConTEB 基准上，该预览版模型取得所测模型中最高的平均 nDCG@10，但并非每个任务都领先。它在 chunk retrieval 上超过 voyage-context-4，且每个向量仅占 1 KB（1024 维、int8），相比后者的 8 KB（2048 维、float32）存储占用降低 8 倍。
Perplexity 构建了新的上下文嵌入模型训练方法，让每个文档分块的编码都能看到完整文档。其 pplx-embed-v2-context-9b-preview 在 ConTEB 和 turbopuffer 新近私有的 context-bench 上均创下新的 SOTA。
Cohere 发布高吞吐、高速选项 Embed 5 Fast，在 fast-tier 模型中领先 6 分以上，成本比 Pro 低三分之一。Embed 5 也是首个采用 RCP-nDCG @10 检索评测方法评估的模型家族。
Qdrant 发布 Constella 研究预览，这是一组围绕 400M 参数英文嵌入模型 Stella 构建的模型家族，文档向量由 Stella 编码，查询可由 Zero、Nano 或 Stella 本身编码，均搜索同一个 Qdrant 集合，因此查询编码器可按请求热插拔，无需重新嵌入。
GPT-6 Astra 拥有 1.05M token 上下文窗口，在 OpenAI 的 MRCR v2 8-needle 测试中于 512K–1M 上下文下得分 96.3%，而 GPT-5.6 Sol 为 73.8%。
Jina AI 发布 v3.5 重排序模型（reranker），同步公开博客、arXiv 论文（2607.18152）及 HuggingFace 模型页。
Jina AI 推出 jina-reranker-v3.5，保持 0.6B 参数规模和 LBNL 列表式架构，专门解决垂直领域适配、结构化记录逻辑识别和长列表显存爆炸三大工程痛点。
OpenAI 的 GPT-5.4-Nano 和 GPT-5.4-Mini 已在 Poe 上线。GPT-5.4-Nano 适合摘要转录、工单标注、内容改写、快速 RAG 问答和运行 @openclaw 流程等对延迟与成本敏感的高频任务；GPT-5.4-Mini 更擅长把杂乱邮件或笔记转成规范 JSON、修复函数、处理异常支持工单，以及需要规划、检查结果并推进下一步的智能体任务。
Jina AI 的 v5-text 改用 decoder-only 骨干网络与 last-token pooling，取代此前的 mean pooling。每一层 Transformer 注入四个轻量 LoRA adapter，分别独立处理检索、文本匹配、分类和聚类，用户在推理时按需选择；检索场景下 query 加 "Query:" 前缀、文档加 "Document:" 前缀。