10 月 26 日，Nace AI 发布 Drex for Search，把此前的 Drex 决策模型用到面向智能体的文档检索上。官方评测显示，配合 GPT-5 使用时，Drex for Search 在 BrowseComp-Plus 上取得 92.05% 的成绩，每道题平均调用 12.6 次搜索。
把搜索当成一系列决策来做
这套系统的核心思路是给每个候选答案打一个校准过的概率，一次前向传播完成打分，因此每个智能体步骤都能用得起。检索层本身是一个托管搜索系统，支持搜索 100 万份以上的文件，可以搭配 GPT-5、Gemini 3.5 Flash 或 Qwen 27B 这类回答模型使用。
部署方式给得比较灵活，可以跑在 Nace 的托管云、专属云、用户自己的 AWS 或 Azure 账户上，也支持本地和隔离网络部署。官方称在 4 个公开榜单中的 3 个排名第一或第二，其中 VisDocAgentBench 上的 R@1 达到 77.5%，比 Claude Opus 5 的 67.5% 高出 10 分。
在 OfficeQA Pro 上它的智能体轮次更少，这类”少绕几步”的指标对实际成本的影响往往比分数更直接。官方还给了一个直白的说法：Drex 把搜索框当成一连串决策来打分，而不是先切块再检索，这也解释了它为什么能在表格、跨文件和扫描件这三类场景上给出不同答案。
它瞄准的是传统 RAG 的三个失效场景
Nace 对传统 RAG 的概括是切块、嵌入、取 top-k，然后碰运气。这条流水线会在三种情况下断掉：答案藏在第 23 页的表格里，答案需要跨文件两跳才能拼出来，答案在一份扫描版 PDF 里。Drex for Search 就是针对这三种情况设计的。
与模型直连的方式是 CLI、SDK、MCP 或 REST，Claude Code、Codex、Cursor 和 OpenCode 这类编码智能体都能直接调用。站内此前记录过 Cohere Rerank 5 在 BRIGHT 上拿到 82.2 分、token 省 35%，同样是把检索质量做成可量化的商品，Drex for Search 走的是另一条打分路径。
延伸阅读
- ChatGPT Agent正式发布：虚拟浏览器自主完成表格/幻灯片/调研，Pro/Plus/Team用户如何开启1 月前
- Replit 弃 Anthropic 全面转 OpenAI：成本倒逼下的模型商切换逻辑1 周前
- 宇树机器人公司资本狂飙：注册资本从10万增至2510万，增幅250倍3 周前
- Anthropic 就业报告：初级技术岗招聘占比从 27% 降至 9%1 周前
继续读
同一批更新里这几篇值得一看：
- OpenAI 发布 GPT-6.1 Terra：API 降价 50%，终端测试 50.3%2026-10-27
- 研究找出AI难读的6种句法：RLVR把清晰度换成密度2026-10-27
- Claude 桌面端改版：AI 全程参与设计，3 周从草图到上线2026-10-26
想快速查定义？对应的词条在这里：
- AI Agent词条 · AI 自学笔记
- Claude Sonnet词条 · AI 自学笔记
- Claude词条 · AI 自学笔记
- Claude Opus词条 · AI 自学笔记