Databricks обучила поискового агента выбирать число шагов под вопрос
Adaptive Instructed-Retriever решает, сколько раз обращаться к корпусу документов, и поддерживает параллельный поиск. По заявлению Databricks, ответы сопоставимы с рядом крупных моделей при среднем времени 5,8 секунды.
Поиск с переменной глубиной
Databricks представила Adaptive Instructed-Retriever — поисковую систему, которая сама определяет число шагов, необходимых для ответа. Простые запросы она может завершить быстрее, а вопросы, требующие переходов между документами, исследовать глубже. Архитектура также поддерживает параллельный поиск по нескольким переформулированным запросам и объединение результатов.
По заявлению Databricks, качество ответов сопоставимо с Claude Sonnet 5, GPT-5.6 Luna и DeepSeek-V4-Flash, а среднее время ответа составляет 5,8 секунды — более чем вдвое меньше сравниваемых моделей. Эти значения приведены разработчиком.
Что именно сравнивали
Идея должна уменьшить два типа потерь: ранняя остановка может пропустить важную связь между документами, а фиксированное число поисковых шагов тратит время на простые вопросы. Адаптивная система меняет глубину поиска по мере работы.
VentureBeat пересказывает оценки Databricks; доступный материал не подтверждает независимым сравнением, что преимущество сохранится на любом корпусе документов. Результаты зависят от состава данных и условий тестирования.
Adaptive Instructed-Retriever совмещает параллельный и последовательный поиск. Сначала он может отправить несколько переформулированных запросов одновременно; если полученные документы содержат лишь подсказки, система использует их для следующего запроса и продолжает, пока не соберёт ответ или не достигнет лимита шагов. Такой подход рассчитан на вопросы, где нужные сведения распределены по разным документам.
Databricks сравнила модель с Claude Sonnet 5, GPT-5.6 Luna и DeepSeek-V4-Flash и сообщила о средней задержке 5,8 секунды — более чем вдвое ниже, чем у сопоставленных систем. В отдельном тесте на вопрос о клиентском счёте новый поисковик повторил двухшаговый процесс Claude Sonnet и показал на 50% более высокую полноту. Это результаты собственных тестов Databricks, а не независимого бенчмарка.