Box 把 Nvidia Nemotron 嵌入检索内核，推出面向智能体的 Box Content Retrieval

11 月 5 日，Box 在其开发者大会上展示了名为 Box Content Retrieval 的新功能：把 Nvidia 的 Nemotron 嵌入系统做进产品核心，让智能体借助 Nemotron 生成的嵌入元数据来回答查询。

按照 Nvidia 生成式 AI 软件副总裁 Kari Briski 对 TechCrunch 的说法，这套系统能让查询响应快 4 倍、错误率降低 20%、token 消耗减少 90%。Box 把收益概括为更快、更准、更便宜，这三项对企业搜索而言正好对应成本、体验与可信度。

上线节奏需要说清楚：该功能将面向所有 Box Enterprise Advance 客户开放，但推送时间是明年年初，而不是发布会当天就能使用。

Box CEO Aaron Levie 解释了机制上的变化：过去智能体要逐份通读文档，现在可以直接返回与用户查询或当前任务最相关的文档片段。这实际上是把检索的重活前移到索引阶段，让智能体少读、也读得更准。

技术底座是 Nvidia 的 Nemotron Embed 项目，它提供开放权重的嵌入模型，用来改进自动化检索系统。嵌入模型长期被前沿实验室忽视，却是 Nvidia 开源模型项目的重点：Nvidia 在 7 月的最新一次 Nemotron 发布，在衡量检索质量的 RTEB 基准上排名第一。

具体场景上，Box 举了律师的例子：借助新系统，律师更容易找到相关条款与判例。因为 Nemotron 的嵌入不止做关键词匹配，而是映射底层概念，所以即便换了措辞，检索也能命中同一类法律概念。

护城河不在模型本身。Nemotron 模型可以自由获取，但这套系统同时重度依赖 Box 既有的元数据和权限控制；Levie 形容这是把五种不同的技术打包进一个简单 API，从零复刻并不容易。

对企业 AI 而言，竞争的焦点正在从模型有多强转向检索层做得多好。智能体能否在真实文档库里给出可用答案，往往取决于元数据质量、权限边界和嵌入模型的检索精度，而不是对话模型本身的排名。

接下来要观察两点：明年初推送后，Box Enterprise Advance 客户在权限隔离环境下拿到的真实查询质量；以及 Nvidia 能否借这类深度集成，把 Nemotron 嵌入模型变成企业检索的默认底座。