Nace AI выпустила Drex for Search для ИИ-агентов: 92,05% в BrowseComp-Plus при 12,6 поисковых вызова
Nace AI выпустила Drex for Search, которая переносит модели принятия решений Drex на поиск по документам. Drex for Search — это слой поиска, помогающий людям и агентам находить доказательства. Кодинговые агенты, такие как Claude Code, Codex, Cursor и OpenCode, обращаются к нему через CLI, SDK, MCP или REST. В оценке Nace система набирает 92,05% в BrowseComp-Plus с GPT-5, используя 12,6 поисковых вызова на вопрос.
Кратко
- Масштаб: размещённая поисковая система, созданная для поиска по более чем 1 млн файлов. Она работает в связке с моделью формирования ответов, такой как GPT-5, Gemini 3.5 Flash или Qwen 27B.
- Работает в: управляемом облаке Nace, выделенном облаке, вашем собственном аккаунте AWS или Azure либо локально и в изолированной от внешних сетей среде.
- Производительность: по данным Nace, система занимает 1-е или 2-е место в 3 из 4 публичных рейтингов.
- Лучший результат: 77,5% R@1 в VisDocAgentBench — на 10 пунктов выше, чем у Claude Opus 5 (67,5%).
Что выпустила Nace AI?
Nace AI рассматривает поиск как последовательность решений. Drex for Search применяет модели Drex к этим решениям. Drex оценивает предложенные варианты с помощью откалиброванной вероятности для каждого за один прямой проход. Это делает систему достаточно дешёвой для использования на каждом шаге агента.
Релиз предназначен для классического RAG, который Nace описывает так: разбить на фрагменты, создать эмбеддинги, выбрать top-k, надеяться.
Конвейер даёт сбой в 3 случаях:
- ответ находится в таблице на странице 23
- для ответа нужны 2 перехода между файлами
- ответ находится внутри отсканированного PDF-файла
Как Drex for Search работает внутри агента?
Nace описывает 3 шага:
- Классификация: прежде чем выполнять поиск, Drex определяет, нужен ли для вопроса быстрый поиск или агент. Агентский маршрут читает документы и запрашивает данные из таблиц.
- Сужение: Drex проходит по рабочему пространству уровень за уровнем: папка, файл, раздел, страница. Внутри таблицы область поиска сужается до таблицы и столбца. На каждом уровне остаётся только то, что может содержать ответ.
- Ответ: до LLM доходят только оставшиеся страницы и таблицы. В ответе указываются файл и страница.
Глубина фиксирована, поэтому, как утверждает Nace, для миллиона файлов требуется столько же шагов, сколько для тысячи.
Насколько это помогает кодинговым агентам?
Nace AI протестировала 9 пар агентов и моделей на OfficeQA Pro — бенчмарке из 133 вопросов по бюллетеням Министерства финансов США. Основные результаты: на 6% больше правильных ответов, на 62% меньше шагов, на 56% меньше токенов и в 2,3 раза выше скорость.
| Обвязка | Модель | Точность в исходной конфигурации | Точность с Drex for Search | Ходы агента в исходной конфигурации | Ходы 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 |
Что включает рабочее пространство?
- Файлы: PDF-файлы и сканы, xlsx, csv и Parquet, mp3 и mp4, docx, pptx, md, json и txt.
- Цитаты: в каждом ответе указываются файл и страница, строка или минута, откуда он взят.
- Рабочие пространства: изолированные, со своим индексом и графом знаний; ими можно делиться с приглашёнными участниками.
- Хранилище: загружайте файлы или папки либо храните рабочие пространства в собственном бакете S3 или контейнере Azure Blob.
- Нулевое хранение: доступно при использовании собственного хранилища.
- Домены: налоги, M&A, SEC 10-K, контракты или ваши собственные.
Как система показывает себя в BrowseComp-Plus?
BrowseComp-Plus задаёт исследовательскому агенту 830 многошаговых вопросов по примерно 100 тыс. фиксированных веб-документов. С GPT-5 Nace AI сообщает:
- 92,05% точности, 2-е место среди 86 записей в рейтинге.
- 12,61 поискового вызова на вопрос — в 16,6 раза меньше, чем у единственной записи впереди (209,27 вызова).
- 87,32% за один проход при 8,93 поисковых вызовах — лучший результат среди всех записей с менее чем 10 вызовами.
- +20,4 пункта по сравнению с базовой моделью Qwen3-Embed-8B при использовании той же модели GPT-5.
Каковы результаты на документных бенчмарках?
В VisDocAgentBench агент находит 1 целевую страницу среди 2375 страниц arXiv. Drex for Search набирает 77,5% R@1 с планировщиком Qwen 27B с открытыми весами. Лучший опубликованный агент, Claude Opus 5, набирает 67,5%. Показатель R@1 составляет 97,5% для прямых вопросов, 77,5% для одного перехода и 57,5% для двух.
В MADQA агенты отвечают на вопросы по более чем 800 PDF-файлам и указывают страницы. Nace сообщает о точности 94,7% с Gemini 3.5 Flash и показателе F1 атрибуции страниц 88,2. Калибровка усилий (Kuiper) составляет 6,66. Nace ставит систему на 1-е место на основании рейтинга, просмотренного 20 октября. С Qwen 27B с открытыми весами Nace сообщает о результате 93,4%.
В EnterpriseRAG-Bench, содержащем более 500 000 внутренних корпоративных документов, Nace сообщает об общем результате 88,22, что ставит систему на 3-е место. Это на 27,2 пункта выше, чем у OpenAI File Search (61,03).
Как система сравнивается с лучшими опубликованными результатами?
Места и оценки приведены по данным, опубликованным Nace AI, на основании рейтингов, просмотренных 20 октября 2026 года.
| Бенчмарк (место Drex по данным Nace) | Система | Организация | Модель ответа | Результат |
|---|---|---|---|---|
| BrowseComp-Plus, точность и поисковые вызовы на вопрос (2-е место из 86) | Hybrid Qwen2-7B + Reason-ModernColBERT | AI21 Labs | GPT-5 | 95,18%, 209,27 вызова |
| Drex for Search | Nace AI | GPT-5 | 92,05%, 12,61 вызова | |
| Mixedbread Search (v3) | Mixedbread | GPT-5 | 90,48%, 11,53 вызова | |
| Reason-ModernColBERT | LightOn | GPT-5 | 87,59%, 13,27 вызова | |
| VisDocAgentBench, R@1 (1-е место) | Drex for Search | Nace AI | Qwen 27B (планировщик) | 77,5% |
| Tool-using agent | Anthropic | Claude Opus 5 | 67,5% | |
| Tool-using agent | Anthropic | Claude Fable 5 | 62,5% | |
| Tool-using agent | OpenAI | GPT-5.6-sol | 61,67% | |
| MADQA, точность (1-е место) | 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, общий результат (3-е место из 31) | Flexor.ai | Flexor.ai | GPT-6.1 Sol | 91,48 |
| CDL | Causal Dynamics Lab | Не указан | 90,91 | |
| Drex for Search | Nace AI | Не указан | 88,22 | |
| Mixedbread | Mixedbread | Claude Opus 5 | 86,58 | |
| OpenAI File Search | OpenAI | Управляемый продукт | 61,03 | |
| Azure AI Search | Microsoft | Управляемый продукт | 48,42 | |
| Vertex AI Search | Управляемый продукт | 41,87 |
Как разработчики могут получить доступ?
Drex for Search работает в консоли Nace API; доступ возможен 4 способами с использованием одного ключа:
- CLI: nace-cli в PyPI.
- SDK: nace-sdk для Python и nace-sdk для TypeScript.
- MCP: nace-mcp для Claude Code, Codex, Cursor или OpenCode.
- REST: спецификация OpenAPI.
Ключевые выводы
- Drex for Search предоставляет агентам страницы и таблицы с цитатами, а не фрагменты top-k.
- 92,05% в BrowseComp-Plus при в 16,6 раза меньшем количестве поисковых вызовов, чем у единственной записи впереди.
- 77,5% R@1 в VisDocAgentBench — на 10 пунктов выше, чем у Claude Opus 5.
- В OfficeQA Pro количество ходов агента снизилось для всех 9 пар обвязки и модели, протестированных Nace.
Посетите страницу Drex for Search, консоль API, документацию и Hugging Face.
Благодарим команду Nace AI за экспертные материалы и ресурсы для этой статьи. Эта статья спонсирована Nace AI.
Переведено автоматически с английского. Оригинал статьи — по ссылке ниже.