岡山大学の松田裕貴講師の研究グループは、生成AIと検索拡張生成（RAG）を組み合わせ、日本語と英語に対応したバーチャルキュレーター「Vir-Curora」を試作した。倉敷青陵高校放送部の生徒が大原本邸のキュレーターにインタビューした約180分の音声を文字化し、質問・回答・場所・展示物を関連付けたデータベースを構築した。根拠情報が不足する場合は回答を控える仕組みを採用し、研究成果は国際会議「SNPD2026」で発表された。
AISIは2025年3月、「AIセーフティに関するレッドチーミング手法ガイド」の第1.10版を公開した。第1.00版（2024年9月公開）を具体的な実施例で理解しやすくするための改訂で、RAGの仕組みを実装したAIシステムに実際にレッドチーミングを行い、手順を詳細に解説するとともに成果物を文書としてまとめた。
マルチモーダル検索エージェントの推論を、事前定義した再利用可能な候補からの選択に置き換えるSSRは、1ターンあたりの推論レイテンシを90%以上削減する。質問ごとの総推論レイテンシは28〜54%削減され、2Bと4Bのモデルによる7つのマルチモーダル検索ベンチマークでは、同規模の主要な検索エージェントに匹敵する平均成功率を示した。強化学習と教師ありファインチューニングのいずれでも、タスク性能を落とさず効率を高めた。
Google Researchは、オフラインの強化学習で検索クエリのファンアウト（分解）を学習し、軽量な拡散リトリーバーに蒸留する「Retrieve-for-Train」を発表した。推論時は思考トークンを使わず、1回のパスで関連クエリ群を生成できる。拡散リトリーバーは53.9Mパラメータで、Gemma3-4BとQwen3-4Bを集合単位の報酬で学習している。
Google が Gemini Enterprise Agent Platform 向けに、Agentic RAG によるクロスコーパス検索（Cross-Corpus Retrieval）の提供を発表した。複数のエージェントが計画、クエリ書き換え、検索を分担し、情報が不足していないかを確認しながら検索を続ける。標準的なRAGと比べて、事実性データセットでの精度が最大34%向上したとされる。
SB Intuitionsは、sarashina2.2-1Bをベースに対照学習で構築したテキスト埋め込みモデル「Sarashina-Embedding-v2-1B」を発表した。クエリに指示文を付与することで、タスクに応じてテキストベクトルを調整できる。