T-Search: открытый агент‑ретривер для многошагового поиска от Т‑Банка
Т‑Банк выпустил T‑Search — открытый агент‑ретривер, построенный на Qwen3.6‑35B‑A3B и обученный полностью на синтетических данных. Модель возвращает ранжированные отрывки вместо готового ответа, упрощая построение цепочек запросов.
Что представил Т‑Банк
В новой статье на Habr AI Толя Потапов, MLE Т‑Банка, анонсировал T‑Search – первый в линейке открытых моделей Gen‑T агент‑ретривер, ориентированный на сложный многошаговый поиск. В отличие от традиционных LLM, которые сразу формируют финальный ответ, T‑Search выдаёт ранжированный список отрывков (snippets), позволяя downstream‑моделям или пользовательским скриптам собрать окончательный результат.
Технические детали
- База модели – Qwen3.6‑35B‑A3B, один из самых мощных открытых LLM от Alibaba Cloud, адаптированный под задачу ретривера.
- Обучающие данные – полностью синтетические, генерированные внутри Т‑Банка с помощью собственного "hardness"‑метрика, имитирующего реальный пользовательский запрос и требующего несколько переходов по документам.
- Архитектура – агент‑ретривер реализован в виде интерактивного цепочечного процесса: запрос → поиск → оценка релевантности → повторный поиск, до тех пор пока не будет достигнут заданный порог качества.
- Открытый релиз – модель, её вес и скрипты предобучения опубликованы в публичном репозитории, что упрощает интеграцию в проекты на Hugging Face, LangChain и других платформах.
Почему это важно
Синтетическое обучение позволяет быстро масштабировать набор запросов без необходимости вручную аннотировать огромные корпуса. Кроме того, отдавая ранжированный список, T‑Search открывает путь к более гибким пайплайнам, где финальная генерация может быть выполнена специализированным LLM, а не универсальной моделью.
Ссылка на оригинал
Habr AI – T‑Search: как мы обучали агента многошаговому поиску
Для разработчиков, работающих с цепочками запросов, T‑Search предлагает готовый модуль ретривера, который можно «подключить» к любой LLM‑генерации. Это ускорит прототипирование сложных поисковых сценариев без необходимости собирать собственный датасет. Однако стоит помнить, что модель возвращает только отрывки – финальная агрегация и проверка фактов остаются на вашей ответственности.