«Т-Технологии» открыли модель T-Search для многошагового поиска по корпоративным базам знаний. Она не пишет итоговый ответ пользователю, а управляет поиском: формулирует запросы, изучает найденные фрагменты, определяет пробелы в собранных данных и решает, когда информации достаточно.
Разработчики называют T-Search первой открытой русскоязычной моделью, специально подготовленной для Agentic RAG. Под этим термином понимается агентная система поиска с дополненной генерацией, в которой языковая модель не получает заранее выбранную подборку документов, а сама проводит несколько раундов поиска. Модель и код интеграционного контура опубликованы под лицензией Apache 2.0.
T-Search построена на Qwen3.6-35B-A3B. Это модель со смешанной экспертной архитектурой: полный набор содержит около 35 млрд параметров, но при обработке каждого элемента текста задействуется примерно 3 млрд. Такая схема снижает вычислительную нагрузку и позволяет использовать крупную модель без постоянной активации всех её компонентов.
Обычная корпоративная RAG-система сначала ищет несколько наиболее похожих фрагментов в базе знаний, помещает их в запрос и передаёт генеративной модели. Качество ответа в такой схеме сильно зависит от первого поиска. Если нужный документ не попал в начальную подборку, генератор его уже не увидит.
T-Search работает иначе. Модель получает вопрос и доступ к поисковой системе компании, после чего самостоятельно составляет уточняющие запросы. Она читает найденные отрывки, сохраняет полезные свидетельства и продолжает поиск по тем частям вопроса, которые остались без подтверждения.
Итогом становится ранжированный набор фрагментов документов. Его можно передать существующей языковой модели, модулю повторного ранжирования или системе загрузки полных текстов. Саму генеративную модель менять не требуется.
Готовый контур T-Search можно подключить к совместимому с OpenAI программному интерфейсу, но компании всё равно понадобится собственное хранилище документов и поисковая служба. Это может быть векторная база, полнотекстовый поиск BM25 или уже работающий корпоративный поисковик.
Опубликованный код задаёт единый контракт обмена: система принимает поисковый запрос и количество требуемых результатов, а возвращает идентификатор документа, фрагмент текста и оценку релевантности. При несовпадении форматов придётся написать адаптер. Полной заменой одного файла интеграция не ограничивается, но переделывать остальную логику агента действительно необязательно.
В стандартной конфигурации T-Search может провести до пяти поисковых раундов. Каждый раунд получает контекст примерно на 32 тыс. элементов текста. Агент использует три основных инструмента: поиск по базе, сохранение важных фрагментов с переходом к следующему этапу и завершение работы с формированием итогового рейтинга.
Когда контекст заполняется на 75%, новый поиск блокируется. Модель должна либо закончить работу, либо сжать собранные результаты. В следующий раунд переносятся выбранные документы, объяснение их ценности, уже закрытые части вопроса, оставшиеся пробелы и предлагаемое направление дальнейшего поиска.
История всех промежуточных действий не копируется целиком. Такой подход уменьшает объём повторно обрабатываемого текста и позволяет проводить длинное исследование без бесконтрольного роста контекста.
Подготовка T-Search проходила в два этапа. Сначала модель дополнительно обучили на примерах готовых поисковых траекторий. Затем её донастроили с подкреплением, используя полноту найденных доказательств в качестве основной награды.
Для русского и английского языков разработчики подготовили отдельных экспертов, которые позднее были объединены в одну модель. На каждом языке использовалось 11 тыс. примеров дополнительного обучения, созданных на основе 8 тыс. уникальных вопросов. Ещё по 2 тыс. непересекающихся вопросов оставили для этапа обучения с подкреплением.
Учебные задания создавались синтетически. Проверки должны были исключить слишком простые вопросы, возможность ответить без обращения к документам, задачи с одним очевидным источником, отсутствие нужных доказательств и слабые отвлекающие фрагменты.
Основной наградой стала полнота поиска: модель получала более высокий результат, если находила все отмеченные разработчиками фрагменты. Точность выдачи и совокупная F-мера отслеживались для диагностики, но не использовались как главная цель. Такой выбор должен мешать агенту завершать работу после нахождения нескольких правильных, но недостаточных документов.
Разработчики проверили модель на семи наборах заданий на английском и русском языках. Главной метрикой стала Recall@10 — доля нужных фрагментов, попавших в первые десять результатов.
При одном запуске T-Search получила средний результат 55,96 балла. GLM-5.1 набрала 53,96, GLM-5.2 — 52,04, Kimi-K2.6 — 51,07. Базовая Qwen3.6-35B-A3B, из которой была получена T-Search, показала 41,54 балла.
Три независимых запуска T-Search с последующим объединением рейтингов подняли средний показатель до 61,33 балла. Рост качества достигается ценой дополнительных вычислений: модель трижды исследует один вопрос, а система объединяет получившиеся списки документов.
Преимущество не оказалось одинаковым во всех испытаниях. На русскоязычной версии BrowseComp-Plus одиночный запуск T-Search набрал 55,95 балла, а GLM-5.1 — 58,18. Конфигурация из трёх запусков подняла результат T-Search до 62,93. На русском наборе TRuST одиночный запуск получил 43,92 балла против 43,11 у GLM-5.1, 42,39 у Kimi-K2.6 и 37,07 у GLM-5.2.
TRuST включает 324 вручную подготовленных русскоязычных вопроса, требующих многошагового поиска. SynthComp содержит по 395 синтетических заданий для русского и английского языков. Дополнительно использовались адаптированные версии BrowseComp-Plus и SealQA.
Результаты опубликованы авторами модели и пока не подтверждены независимой лабораторией. Испытания проводились в собственном поисковом контуре T-Search и на фиксированных индексах. Поэтому цифры показывают возможности конкретной конфигурации, а не гарантированную производительность на любой корпоративной базе.
Качество исходного поиска тоже заметно влияет на результат. Связка T-Search с Qwen3-Embedding-8B получила в среднем 55,96 балла. Добавление повторного ранжирования языковой моделью повысило показатель до 62,87. С простым BM25 средний результат составил 51,14.
«Т-Технологии» оценивают возможное сокращение расходов на выполнение запросов в 20–50% в зависимости от сценария. Компания также заявляет об ускорении обработки до трёх раз и снижении стоимости до пяти раз относительно открытых моделей сопоставимого качества. Отдельно указывается возможность уменьшить требования к вычислительным ресурсам в два раза.
Публичная карточка модели пока не содержит подробной методики экономического сравнения. В ней нет стоимости одного запроса, средней длины поисковой сессии, числа обращений к базе, энергопотребления и результатов измерения на реальной корпоративной нагрузке.
Фактическая экономия будет зависеть от числа поисковых раундов, длины документов, количества одновременных агентов и выбранного режима. Три запуска повышают качество поиска, но требуют больше вычислений, чем одиночная конфигурация.
Сокращение расходов может появиться за счёт нескольких факторов. T-Search активирует около 3 млрд параметров за один шаг, переносит между раундами сжатую память вместо всей истории и передаёт генератору отобранные фрагменты вместо большого массива документов.
Компания сообщает, что T-Search можно разместить на одном графическом ускорителе Nvidia H100. Это утверждение относится к оптимизированному развёртыванию модели. Полная версия T-Search хранит около 36 млрд параметров в формате BF16. В эталонной конфигурации для неё указано разделение вычислений между двумя ускорителями. Отдельно опубликована версия FP8 с восьмибитным представлением весов, рассчитанная на более экономный запуск.
Ещё одна сборка использует четырёхбитный формат NVFP4. Она занимает меньше памяти, но официальная инструкция требует ускоритель поколения Nvidia Blackwell. H100 относится к предыдущей архитектуре Hopper, поэтому NVFP4-сборку нельзя считать подтверждением запуска именно на H100.
Открытая документация не приводит отдельную таблицу скорости и потребления памяти T-Search-FP8 на одной H100. Возможность такого запуска заявлена разработчиком, однако воспроизводимые измерения пока не опубликованы.
«Т-Технологии» называют разработку первой русскоязычной моделью для Agentic RAG. В открытом доступе и раньше существовали русскоязычные RAG-агенты, библиотеки и проекты, способные выполнять несколько поисковых шагов. Их основой обычно служили универсальные языковые модели и заданные разработчиком сценарии.
Отличие T-Search состоит в специализации самой модели. Её целенаправленно обучали планировать многошаговый поиск, сохранять доказательства и оценивать полноту собранного материала на русском и английском языках.
Есть новость? Станьте автором.
Мы сотрудничаем с независимыми исследователями и специалистами по кибербезопасности. Отправьте нам новость или предложите статью на рассмотрение редакции.
