חיפוש בחדשות

**מודל Critic ממשוב דל הוא שכבת הערכה לסוכני AI, שלומדת מהתהליך עצמו גם כשאין ציון ברור לכל פעולה.** במחקר חדש על SWE-bench, מסגרת Critic Rubrics עם 24 מאפיינים שיפרה reranking ב-15.9 נקודות ואפשרה early stopping עם 83% פחות ניסיונות. עבור עסקים בישראל, זו תזכורת חשובה: הצלחת סוכן AI לא נמדדת רק בתוצאה סופית, אלא גם באיכות האיסוף, זמן התגובה, והעברה נכונה לנציג או ל-CRM. לכן עסקים שמחברים AI Agents ל-WhatsApp Business API, ל-Zoho CRM ול-N8N צריכים לבנות שכבת מדידה מבוססת Rubrics, ולא להסתפק במדד בינארי של "עבד" או "נכשל".

**אחזור מולטימודלי מבוסס reasoning tokens הוא גישה שמוסיפה שלבי חשיבה לפני ואחרי האחזור כדי לשפר דיוק בלי להגדיל תמיד את המודל עצמו.** לפי המאמר על TTE-v2, המערכת הגיעה ל-75.7% דיוק ב-MMEB-V2, בעוד גרסת 2B שלה השוותה או עקפה מודלי 7B מובילים. עבור עסקים בישראל, המשמעות היא שאפשר לבנות חיפוש חכם יותר למסמכים, תמונות וקטלוגים דרך מסלול דו-שלבי: שליפה מהירה ואז reranking רק במקרים מורכבים. זה מתאים במיוחד לזרימות עבודה שמשלבות WhatsApp Business API, Zoho CRM ו-N8N, למשל בחנויות אונליין, סוכנויות ביטוח, מרפאות ומשרדי תיווך.

**הסקה נוירו-סימבולית מונחית אונטולוגיה** היא דרך לצמצם הזיות של מודלי שפה באמצעות הזרקת הגדרות פורמליות מאונטולוגיה (כמו OpenMath) לתוך הפרומפט דרך RAG. לפי מאמר arXiv:2602.17826v1, בבנצ’מרק MATH ההקשר האונטולוגי משפר תוצאות רק כשאיכות האחזור והדירוג (כולל reranking עם Cross-Encoder) גבוהה; כאשר נשלף מידע לא רלוונטי, הוא פוגע בביצועים. לעסקים בישראל זה שיעור ישיר: ביישומי WhatsApp Business API, Zoho CRM וזרימות N8N, לא מספיק “לצרף מסמכים” – צריך מילון מושגים מאושר, מדידת איכות אחזור ודירוג קפדני. התחילו בפיילוט של 30–50 מושגים יקרים לטעות, מדדו 100 שאלות אמיתיות, ורק אז הרחיבו.

קוהיר השיקה Rerank 4 עם חלון הקשר פי 4 גדול יותר, שיפורי ביצועים מול מתחרים ולמידה עצמית. הדגם משפר חיפוש AI בארגונים ומפחית שגיאות בסוכנים. קראו את הפרטים המלאים.