Nace AI випустила Drex for Search для ШІ-агентів: 92,05% у BrowseComp-Plus за 12,6 пошукового виклику
Nace AI випустила Drex for Search, яка переносить її моделі ухвалення рішень Drex у пошук документів. Drex for Search — це рівень пошуку, який допомагає людям і агентам знаходити докази. Агенти для програмування, такі як Claude Code, Codex, Cursor та OpenCode, викликають її через CLI, SDK, MCP або REST. За оцінкою Nace, система набирає 92,05% у BrowseComp-Plus з GPT-5, використовуючи 12,6 пошукових викликів на запитання.
Коротко
- Масштаб: розміщена пошукова система, створена для пошуку серед понад 1 млн файлів. Вона працює в парі з моделлю відповідей, такою як GPT-5, Gemini 3.5 Flash або Qwen 27B.
- Запуск: керована хмара Nace, виділена хмара, ваш обліковий запис AWS або Azure, або локальне й ізольоване середовище без доступу до мережі.
- Продуктивність: за даними Nace, посідає 1-е або 2-е місце в 3 із 4 публічних таблиць лідерів.
- Найкращий результат: 77,5% R@1 у VisDocAgentBench, на 10 пунктів вище за Claude Opus 5 (67,5%).
Що випустила Nace AI?
Nace AI розглядає пошук як низку рішень. Drex for Search застосовує свої моделі Drex до цих рішень. Drex оцінює запропоновані варіанти, надаючи кожному калібровану ймовірність, за один прямий прохід. Це робить систему достатньо дешевою для кожного кроку агента.
Реліз орієнтований на класичний RAG, який Nace узагальнює як: розбити на фрагменти, вбудувати, top-k, сподіватися.
Конвеєр дає збій у 3 випадках:
- відповідь міститься в таблиці на сторінці 23
- для відповіді потрібні 2 переходи між файлами
- відповідь міститься в відсканованому PDF-файлі
Як Drex for Search працює всередині агента?
Nace описує 3 кроки:
- Класифікація: перш ніж запускається будь-який пошук, Drex визначає, чи потрібен швидкий пошук, чи агент. Маршрут із агентом читає документи та запитує таблиці.
- Звуження: Drex проходить робочий простір рівень за рівнем: папка, файл, розділ, сторінка. Усередині аркуша він звужує пошук до таблиці та стовпця. На кожному рівні залишаються лише об’єкти, які можуть містити відповідь.
- Відповідь: до LLM надходять лише залишені сторінки й таблиці. У відповіді вказуються файл і сторінка.
Глибина фіксована, тому, за словами Nace, для мільйона файлів потрібно стільки ж кроків, скільки й для тисячі.
Наскільки це допомагає агентам для програмування?
Nace AI протестувала 9 пар агентів і моделей на OfficeQA Pro — бенчмарку зі 133 запитань на основі бюлетенів Міністерства фінансів США. Основні результати: на 6% більше правильних відповідей, на 62% менше кроків, на 56% менше токенів і в 2,3 раза вища швидкість.
| Оболонка | Модель | Точність у стандартній конфігурації | Точність із Drex for Search | Кількість ходів агента у стандартній конфігурації | Кількість ходів агента з 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 |
Що містить робочий простір?
- Файли: PDF-файли та скани, xlsx, csv і Parquet, mp3 і mp4, docx, pptx, md, json і txt.
- Цитування: у кожній відповіді вказується файл і сторінка, рядок або хвилина, звідки її отримано.
- Робочі простори: ізольовані, із власним індексом і графом знань, ними можна ділитися із запрошеними учасниками.
- Сховище: завантажуйте файли або папки чи зберігайте робочі простори у власному контейнері S3 або Azure Blob.
- Нульове зберігання: доступне за використання власного сховища.
- Домени: податки, M&A, SEC 10-K, контракти або власні.
Як система показує себе в BrowseComp-Plus?
BrowseComp-Plus ставить агенту для глибокого дослідження 830 багатокрокових запитань за приблизно 100 тисячами фіксованих вебдокументів. З GPT-5 Nace AI повідомляє:
- 92,05% точності, 2-е місце серед 86 записів у таблиці лідерів.
- 12,61 пошукового виклику на запитання — у 16,6 раза менше, ніж у єдиного запису попереду (209,27 виклику).
- 87,32% за один прохід із 8,93 пошукового виклику — найкращий результат серед усіх записів із менш ніж 10 викликами.
- +20,4 пункта порівняно з базовою моделлю Qwen3-Embed-8B, за використання тієї самої моделі GPT-5.
Які результати система показує на бенчмарках документів?
У VisDocAgentBench агент знаходить 1 цільову сторінку серед 2 375 сторінок arXiv. Drex for Search набирає 77,5% R@1 із планувальником Qwen 27B з відкритими вагами. Найкращий опублікований агент, Claude Opus 5, набирає 67,5%. R@1 становить 97,5% для прямих запитань, 77,5% для одного переходу та 57,5% для двох.
У MADQA агенти відповідають на запитання за понад 800 PDF-файлами та цитують сторінки. Nace повідомляє про точність 94,7% із Gemini 3.5 Flash і F1 показника атрибуції сторінок на рівні 88,2. Калібрування зусиль (Kuiper) становить 6,66. Nace ставить систему на 1-е місце на основі таблиці лідерів, переглянутої 20 жовтня. Із Qwen 27B з відкритими вагами Nace повідомляє про результат 93,4%.
В EnterpriseRAG-Bench, що містить понад 500 000 внутрішніх документів компаній, Nace повідомляє про загальний результат 88,22 і ставить систему на 3-є місце. Це на 27,2 пункта вище за OpenAI File Search (61,03).
Як система порівнюється з найкращими опублікованими результатами?
Місця та результати наведено так, як їх опублікувала Nace AI, на основі таблиць лідерів, переглянутих 20 жовтня 2026 року.
| Бенчмарк (місце Drex за даними Nace) | Система | Організація | Модель відповідей | Результат |
|---|---|---|---|---|
| BrowseComp-Plus, точність і кількість пошукових викликів на запитання (2-е місце серед 86) | Hybrid Qwen2-7B + Reason-ModernColBERT | AI21 Labs | GPT-5 | 95,18%, 209,27 виклику |
| Drex for Search | Nace AI | GPT-5 | 92,05%, 12,61 виклику | |
| Mixedbread Search (v3) | Mixedbread | GPT-5 | 90,48%, 11,53 виклику | |
| Reason-ModernColBERT | LightOn | GPT-5 | 87,59%, 13,27 виклику | |
| VisDocAgentBench, R@1 (1-е місце) | Drex for Search | Nace AI | Qwen 27B (планувальник) | 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, точність (1-е місце) | 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, загальний результат (3-є місце серед 31) | Flexor.ai | Flexor.ai | GPT-6.1 Sol | 91,48 |
| CDL | Causal Dynamics Lab | Не вказано | 90,91 | |
| Drex for Search | Nace AI | Не вказано | 88,22 | |
| Mixedbread | Mixedbread | Claude Opus 5 | 86,58 | |
| OpenAI File Search | OpenAI | Керований продукт | 61,03 | |
| Azure AI Search | Microsoft | Керований продукт | 48,42 | |
| Vertex AI Search | Керований продукт | 41,87 |
Як розробники можуть отримати доступ?
Drex for Search працює в Nace API Console, із 4 способами підключення за одним ключем:
- CLI: nace-cli на PyPI.
- SDK: nace-sdk для Python і nace-sdk для TypeScript.
- MCP: nace-mcp для Claude Code, Codex, Cursor або OpenCode.
- REST: специфікація OpenAPI.
Основні висновки
- Drex for Search надає агентам сторінки й таблиці з цитуваннями, а не фрагменти top-k.
- 92,05% у BrowseComp-Plus із у 16,6 раза меншою кількістю пошукових викликів, ніж у єдиного запису попереду.
- 77,5% R@1 у VisDocAgentBench, на 10 пунктів вище за Claude Opus 5.
- У OfficeQA Pro кількість ходів агента зменшилася для всіх 9 пар оболонки та моделі, протестованих Nace.
Перегляньте сторінку Drex for Search, API Console, документацію та Hugging Face.
Дякуємо команді Nace AI за експертні матеріали та ресурси для цієї статті. Цю статтю спонсувала Nace AI.
Перекладено автоматично з англійської. Оригінал статті — за посиланням нижче.