Новый бенчмарк FACTS от Google и Kaggle показывает: даже топ‑модели застряли ниже 70% точности. Поиск и привязка к источникам — спасение, мультимодальность — зона повышенного риска. Что это значит для архитектуры RAG и корпоративных продуктов — разбираемся простыми словами.
Хайп вокруг векторных баз сменился ремеслом: рынок ушёл от «серебряной пули» к гибридным retrieval-стекам и GraphRAG. Почему «единорога» так и не нашли, где работают векторы, а где спасают графы и ключевые слова — и что это значит для следующего витка ИИ-инфраструктуры.
Databricks представила ai_parse_document — функцию, которая превращает хаос корпоративных PDF в структурированные Delta-данные внутри Unity Catalog. Она сохраняет таблицы «как есть», подписывает фигуры, добавляет координаты элементов и работает прямо в Agent Bricks, заменяя связки из Textract/Document AI/Azure DI. Уже в проде у Rockwell, TE Connectivity и Emerson; экономия 3–5 раз по стоимости и меньше возни с пайплайнами. Но компонент проприетарный — оценка совместимости с вашей платформой обязательна.
Google запустила File Search на Gemini API — полностью управляемый RAG, который берёт на себя хранение, чанкинг и эмбеддинги, чтобы корпоративные команды перестали склеивать пайплайны на скотче. Встроенные цитаты, поддержка множества форматов и векторный поиск упрощают внедрение и делают ответы точнее и проверяемее. Конкурируя с решениями OpenAI, AWS и Microsoft, Google делает ставку на максимальную абстракцию оркестрации, а цена за индексацию — $0,15 за 1 млн токенов — обещает предсказуемость расходов.
На TechCrunch Disrupt 2025 основатель Pinecone Эдо Либерти объяснит, почему будущее ИИ решается не размерами моделей, а точным и быстрым поиском: RAG, векторные базы и специализированная инфраструктура.