شرکت Nace AI محصول Drex for Search را منتشر کرد؛ لایه‌ی بازیابی (retrieval) که برای جستجو روی اسناد طراحی شده و ایجنت‌های کدنویسی مثل Claude Code، Codex، Cursor و OpenCode می‌توانند از طریق CLI، SDK، MCP یا REST به آن متصل شوند. بر اساس ارزیابی Nace، این سیستم روی بنچمارک BrowseComp-Plus با مدل GPT-5 به دقت ۹۲.۰۵ درصد دست یافته و به ازای هر پرسش تنها ۱۲.۶ فراخوان جستجو انجام می‌دهد — رقمی که ۱۶.۶ برابر کمتر از تنها سیستم بالاتر در جدول رتبه‌بندی (۲۰۹.۲۷ فراخوان) است.
معماری سه‌مرحله‌ای#
Nace فرآیند جستجو را سه مرحله‌ای توصیف می‌کند: ابتدا Classify، که تصمیم می‌گیرد پرسش به یک جستجوی ساده نیاز دارد یا به ایجنت؛ سپس Squeeze، که فضای کاری را سطح‌به‌سطح (پوشه، فایل، بخش، صفحه) پیمایش می‌کند و فقط آنچه احتمال دارد پاسخ در آن باشد نگه می‌دارد؛ و در نهایت Answer، که فقط صفحات و جداول نگه‌داشته‌شده به مدل زبانی می‌رسند و پاسخ با ارجاع به فایل و شماره‌ی صفحه ارائه می‌شود. Nace می‌گوید چون عمق پیمایش ثابت است، یک میلیون فایل به همان تعداد مرحله نیاز دارد که هزار فایل.
عملکرد روی بنچمارک‌ها#
در VisDocAgentBench که ایجنت باید یک صفحه‌ی هدف را از میان ۲,۳۷۵ صفحه‌ی arXiv پیدا کند، Drex for Search با پلنر Qwen 27B به ۷۷.۵ درصد R@1 رسیده است. بهترین نتیجه‌ی منتشرشده‌ی قبلی، ۶۷.۵ درصد توسط Claude Opus 5 بود. روی MADQA (پاسخ‌گویی به بیش از ۸۰۰ PDF با ارجاع صفحه‌ای)، دقت ۹۴.۷ درصد با Gemini 3.5 Flash گزارش شده. روی EnterpriseRAG-Bench با بیش از ۵۰۰,۰۰۰ سند داخلی شرکتی، امتیاز کلی ۸۸.۲۲ ثبت شده که ۲۷.۲ واحد بالاتر از OpenAI File Search (۶۱.۰۳) است.
در آزمایش روی ۹ جفت ایجنت-مدل با بنچمارک OfficeQA Pro (۱۳۳ پرسش روی اسناد Treasury Bulletins آمریکا)، Nace افزایش ۶ درصدی صحت پاسخ، کاهش ۶۲ درصدی تعداد مراحل، کاهش ۵۶ درصدی توکن‌ها و سرعت ۲.۳ برابری گزارش کرده است.
دسترسی و زیرساخت#
این سرویس روی فضای ابری مدیریت‌شده‌ی Nace، فضای ابری اختصاصی، حساب AWS یا Azure کاربر، و به‌صورت on-prem و air-gapped قابل اجراست. فرمت‌های پشتیبانی‌شده شامل PDF و اسکن، xlsx، csv، Parquet، mp3، mp4، docx، pptx، md، json و txt است. دسترسی از طریق nace-cli (PyPI)، nace-sdk (Python و TypeScript)، nace-mcp و REST با OpenAPI spec امکان‌پذیر است.
این خبر برای سازندگان ایجنت یعنی چه#
Drex for Search یک لایه‌ی بازیابی تخصصی است، نه یک مدل زبانی. یعنی اگر همین امروز با RAG کلاسیک کار می‌کنید و مشکل‌تان «chunk, embed, top-k, hope» است — به‌ویژه وقتی پاسخ در جدول صفحه‌ی ۲۳ است یا نیاز به دو پرش بین فایل‌ها دارد — این ابزار جایگزین مستقیم آن لایه می‌شود. اما نکته‌ی مهم این است که تمام اعداد گزارش‌شده توسط خود Nace روی بنچمارک‌های خاص (BrowseComp-Plus، VisDocAgentBench، MADQA) به دست آمده‌اند و هنوز بازخورد مستقل از جامعه‌ی توسعه‌دهندگان منتشر نشده. همچنین این سیستم با مدل پاسخ‌دهنده‌ی جداگانه کار می‌کند؛ یعنی هزینه‌ی توکن‌های مدل زبانی نهایی را حذف نمی‌کند، فقط تعداد فراخوان‌های جستجو را کم می‌کند. برای تیم‌هایی که سقف API دارند یا هزینه‌ی فراخوان‌های مکرر به سرویس جستجو برایشان مشکل‌ساز است، کاهش ۱۶.۶ برابری فراخوان‌ها قابل‌توجه است.
منبع: MarkTechPost
دیدگاهها
برای گذاشتن دیدگاه وارد شو
دیدگاهها فقط از حسابهای کاربری پذیرفته میشوند.
ورود / ثبتنامهنوز دیدگاهی ثبت نشده — اولین نفر باش.