Nace AI пуска Drex for Search за ИИ агенти: 92,05% в BrowseComp-Plus с 12,6 търсения
Nace AI пусна Drex for Search, който пренася моделите за вземане на решения Drex към търсенето в документи. Drex for Search е слой за извличане, който помага на хора и агенти да намират доказателства. Кодиращи агенти като Claude Code, Codex, Cursor и OpenCode го извикват чрез CLI, SDK, MCP или REST. При оценката на Nace той постига 92.05% в BrowseComp-Plus с GPT-5, като използва 12.6 заявки за търсене на въпрос.
Накратко
- Размер: хоствана система за търсене, създадена за търсене в над 1 млн. файла. Тя работи с модел за отговаряне като GPT-5, Gemini 3.5 Flash или Qwen 27B.
- Работи в: управлявания облак на Nace, специализиран облак, ваш акаунт в AWS или Azure, или локална и изолирана среда.
- Производителност: заема първо или второ място в 3 от 4 публични класации според Nace.
- Най-добър резултат: 77.5% R@1 във VisDocAgentBench, с 10 пункта над Claude Opus 5 (67.5%).
Какво пусна Nace AI?
Nace AI разглежда търсенето като поредица от решения. Drex for Search прилага своите модели Drex към тези решения. Drex оценява дадените опции с калибрирана вероятност за всяка от тях, само с едно предно преминаване. Това го прави достатъчно евтин за всяка стъпка на агента.
Пускането е насочено към класическия RAG, който Nace обобщава като: раздели на части, вгради, top-k, надявай се.
Конвейерът се проваля в 3 случая:
- отговорът се намира в таблица на страница 23
- отговорът изисква 2 прехода между файлове
- отговорът се намира в сканиран PDF
Как работи Drex for Search вътре в един агент?
Nace описва 3 стъпки:
- Класифициране: Преди да започне каквото и да е търсене, Drex решава дали въпросът изисква бърза справка или агент. Агентският маршрут прочита документи и отправя заявки към таблици.
- Стесняване: Drex преминава през работното пространство ниво по ниво: папка, файл, секция, страница. Вътре в електронна таблица стеснява търсенето до таблица и колона. На всяко ниво се запазва само това, което може да съдържа отговора.
- Отговаряне: До LLM достигат само запазените страници и таблици. Отговорът посочва файла и страницата.
Дълбочината е фиксирана, затова Nace твърди, че един милион файла изискват толкова стъпки, колкото и хиляда.
С какво помага на кодиращите агенти?
Nace AI тества 9 комбинации от агенти и модели във OfficeQA Pro — бенчмарк със 133 въпроса върху бюлетини на Министерството на финансите на САЩ. Основни резултати: с 6% повече верни отговори, с 62% по-малко стъпки, с 56% по-малко токени и 2.3 пъти по-висока скорост.
| Среда | Модел | Точност при стандартна конфигурация | Точност с Drex for Search | Стъпки на агента при стандартна конфигурация | Стъпки на агента с Drex for Search |
|---|---|---|---|---|---|
| Gemini CLI | Gemini 3.1 Pro | 54.9% | 61.7% | 22.9 | 10.4 |
| Codex | GPT-6 sol | 66.2% | 70.7% | 14.3 | 8.6 |
| Hermes Agent | Opus 5.5 | 64.3% | 68.4% | 8.5 | 3.7 |
| Hermes Agent | Qwen3.8-27B | 56.4% | 60.2% | 20.1 | 6.5 |
| Claude Code | Opus 5.5 | 66.5% | 69.9% | 18.5 | 9.1 |
| pi | Opus 5.5 | 65.4% | 68.4% | 7.7 | 3.7 |
| OpenCode | Qwen3.8-27B | 51.1% | 53.4% | 23.7 | 10.0 |
| pi | Qwen3.8-27B | 43.6% | 45.9% | 24.3 | 11.1 |
| Codex | GPT-6 luna | 54.9% | 53.4% | 16.8 | 11.3 |
Какво включва едно работно пространство?
- Файлове: PDF и сканирани документи, xlsx, csv и Parquet, mp3 и mp4, docx, pptx, md, json и txt.
- Цитирания: всеки отговор посочва файла и страницата, реда или минутата, от които произлиза.
- Работни пространства: изолирани, със собствен индекс и граф на знанията, и споделими с поканени членове.
- Съхранение: качвайте файлове или папки или съхранявайте работните пространства в собствен S3 контейнер или Azure Blob контейнер.
- Нулево задържане: предлага се със собствено хранилище.
- Домейни: данъци, сливания и придобивания, SEC 10-K, договори или ваши собствени.
Как се представя в BrowseComp-Plus?
BrowseComp-Plus задава на агент за дълбоко проучване 830 въпроса с множество преходи върху около 100 хил. фиксирани уеб документа. С GPT-5 Nace AI отчита:
- 92.05% точност, №2 от 86 записа в класацията.
- 12.61 заявки за търсене на въпрос, 16.6 пъти по-малко от единствения запис пред него (209.27 заявки).
- 87.32% при едно преминаване с 8.93 заявки за търсене — най-добрият резултат сред всички записи с под 10 заявки.
- +20.4 пункта спрямо базовата линия Qwen3-Embed-8B със същия модел GPT-5.
Какви резултати постига в бенчмарковете за документи?
В VisDocAgentBench агентът намира 1 целева страница сред 2375 страници от arXiv. Drex for Search постига 77.5% R@1 с планировчик Qwen 27B с отворени тегла. Най-добрият публикуван агент, Claude Opus 5, постига 67.5%. R@1 е 97.5% при директни въпроси, 77.5% при един преход и 57.5% при два.
В MADQA агентите отговарят върху над 800 PDF файла и цитират страници. Nace отчита 94.7% точност с Gemini 3.5 Flash и F1 резултат за приписване на страници от 88.2. Калибрирането на усилието му (Kuiper) е 6.66. Nace го класира на първо място въз основа на класацията, прегледана на 20 октомври. С Qwen 27B с отворени тегла Nace отчита 93.4%.
В EnterpriseRAG-Bench, с над 500 000 вътрешни фирмени документа, Nace отчита общ резултат 88.22, което го поставя на трето място. Това е с 27.2 пункта над OpenAI File Search (61.03).
Как се сравнява с най-добрите публикувани резултати?
Класиранията и резултатите са публикувани от Nace AI въз основа на класации, прегледани на 20 октомври 2026 г.
| Бенчмарк (класиране на Drex според Nace) | Система | Организация | Модел за отговори | Резултат |
|---|---|---|---|---|
| BrowseComp-Plus, точност и заявки за търсене на въпрос (№2 от 86) | Hybrid Qwen2-7B + Reason-ModernColBERT | AI21 Labs | GPT-5 | 95.18%, 209.27 заявки |
| Drex for Search | Nace AI | GPT-5 | 92.05%, 12.61 заявки | |
| Mixedbread Search (v3) | Mixedbread | GPT-5 | 90.48%, 11.53 заявки | |
| Reason-ModernColBERT | LightOn | GPT-5 | 87.59%, 13.27 заявки | |
| VisDocAgentBench, R@1 (№1) | Drex for Search | Nace AI | Qwen 27B (планировчик) | 77.5% |
| Агент с използване на инструменти | Anthropic | Claude Opus 5 | 67.5% | |
| Агент с използване на инструменти | Anthropic | Claude Fable 5 | 62.5% | |
| Агент с използване на инструменти | OpenAI | GPT-5.6-sol | 61.67% | |
| MADQA, точност (№1) | Drex for Search | Nace AI | Gemini 3.5 Flash | 94.7% |
| Agentic RAG | Progress Software | Gemini 3.5 Flash + 3.6 Flash | 94.3% | |
| Agentic Search | Mixedbread | Gemini 3.5 Flash | 93.4% | |
| PPLX Embed 2 RAG | Perplexity | Gemini 3.5 Flash | 92.1% | |
| File Search | OpenAI | GPT-5 | 49.6% | |
| EnterpriseRAG-Bench, общ резултат (№3 от 31) | Flexor.ai | Flexor.ai | GPT-6.1 Sol | 91.48 |
| CDL | Causal Dynamics Lab | Не е посочен | 90.91 | |
| Drex for Search | Nace AI | Не е посочен | 88.22 | |
| Mixedbread | Mixedbread | Claude Opus 5 | 86.58 | |
| OpenAI File Search | OpenAI | Управляван продукт | 61.03 | |
| Azure AI Search | Microsoft | Управляван продукт | 48.42 | |
| Vertex AI Search | Управляван продукт | 41.87 |
Как разработчиците могат да получат достъп?
Drex for Search работи в Nace API Console, с 4 начина за достъп чрез един ключ:
- CLI: nace-cli в PyPI.
- SDK: nace-sdk за Python и nace-sdk за TypeScript.
- MCP: nace-mcp за Claude Code, Codex, Cursor или OpenCode.
- REST: OpenAPI спецификация.
Основни изводи
- Drex for Search предоставя на агентите цитирани страници и таблици, а не части от top-k.
- 92.05% в BrowseComp-Plus с 16.6 пъти по-малко заявки за търсене от единствения запис пред него.
- 77.5% R@1 във VisDocAgentBench, с 10 пункта над Claude Opus 5.
- В OfficeQA Pro броят на стъпките на агента намалява при всичките 9 тествани от Nace комбинации от среда и модел.
Разгледайте страницата на Drex for Search, API Console, документацията и Hugging Face.
Благодарим на екипа на Nace AI за експертния принос / ресурсите за тази статия. Тази статия е спонсорирана от Nace AI.
Преведено автоматично от английски. Оригиналната статия е на връзката по-долу.