Nace AI ha lanzado Drex for Search, que lleva sus modelos de decisión Drex a la búsqueda de documentos. Drex for Search es una capa de recuperación que ayuda a personas y agentes a encontrar evidencia. Agentes de codificación como Claude Code, Codex, Cursor y OpenCode lo invocan mediante CLI, SDK, MCP o REST. En la evaluación de Nace, obtiene 92.05% en BrowseComp-Plus con GPT-5, usando 12.6 llamadas de búsqueda por pregunta.
TL;DR
- Tamaño: un sistema de búsqueda alojado construido para buscar sobre más de 1M de archivos. Se combina con un modelo de respuesta como GPT-5, Gemini 3.5 Flash o Qwen 27B.
- Funciona en: la nube gestionada de Nace, una nube dedicada, tu propia cuenta de AWS o Azure, o on-prem y aislada de la red (air-gapped).
- Rendimiento: clasificado #1 o #2 en 3 de 4 tablas de clasificación públicas, según Nace.
- Mejor resultado: 77.5% R@1 en VisDocAgentBench, 10 puntos por encima de Claude Opus 5 (67.5%).
¿Qué lanzó Nace AI?
Nace AI concibe la búsqueda como una serie de decisiones. Drex for Search aplica sus modelos Drex a esas decisiones. Drex puntúa las opciones dadas con una probabilidad calibrada para cada una, en 1 pasada hacia adelante. Eso lo hace lo suficientemente barato para cada paso del agente.
El lanzamiento apunta al RAG clásico, que Nace resume como trocear, incrustar, top-k, esperar.
El pipeline falla en 3 casos:
- la respuesta está en una tabla de la página 23
- la respuesta requiere 2 saltos entre archivos
- la respuesta está dentro de un PDF escaneado
¿Cómo funciona Drex for Search dentro de un agente?
Nace describe 3 pasos:
- Clasificar: Antes de que se ejecute cualquier búsqueda, Drex decide si la pregunta necesita una consulta rápida o un agente. La ruta del agente lee documentos y consulta tablas.
- Comprimir: Drex recorre el espacio de trabajo nivel por nivel: carpeta, archivo, sección, página. Dentro de una hoja de cálculo, se acota a tabla y columna. Cada nivel conserva solo lo que puede contener la respuesta.
- Responder: Solo las páginas y tablas conservadas llegan al LLM. La respuesta cita el archivo y la página.
La profundidad es fija, por lo que Nace dice que un millón de archivos requieren tantos pasos como mil.
¿Cuánto ayuda a los agentes de programación?
Nace AI probó 9 pares de agente y modelo en OfficeQA Pro, un benchmark de 133 preguntas sobre los Treasury Bulletins de EE. UU. Aspectos clave: 6% más de respuestas correctas, 62% menos de pasos, 56% menos de tokens y 2.3 veces más rápido.
| Harness | Modelo | Precisión tal como viene | Precisión con Drex for Search | Turnos del agente tal como vienen | Turnos del agente con Drex for Search |
|---|---|---|---|---|---|
| Gemini CLI | Gemini 3.1 Pro | 54.9% | 61.7% | 22.9 | 10.4 |
| Codex | GPT-6 sol | 66.2% | 70.7% | 14.3 | 8.6 |
| Hermes Agent | Opus 5.5 | 64.3% | 68.4% | 8.5 | 3.7 |
| Hermes Agent | Qwen3.8-27B | 56.4% | 60.2% | 20.1 | 6.5 |
| Claude Code | Opus 5.5 | 66.5% | 69.9% | 18.5 | 9.1 |
| pi | Opus 5.5 | 65.4% | 68.4% | 7.7 | 3.7 |
| OpenCode | Qwen3.8-27B | 51.1% | 53.4% | 23.7 | 10.0 |
| pi | Qwen3.8-27B | 43.6% | 45.9% | 24.3 | 11.1 |
| Codex | GPT-6 luna | 54.9% | 53.4% | 16.8 | 11.3 |
¿Qué incluye un workspace?
- Archivos: PDF y escaneos, xlsx, csv y Parquet, mp3 y mp4, docx, pptx, md, json y txt.
- Citas: cada respuesta indica el archivo y la página, fila o minuto de la que proviene.
- Workspaces: aislados, con su propio índice y grafo de conocimiento, y compartibles con miembros invitados.
- Almacenamiento: sube archivos o carpetas, o mantén los workspaces en tu propio bucket de S3 o contenedor de Azure Blob.
- Retención cero: disponible con tu propio almacenamiento.
- Dominios: Fiscal, M&A, SEC 10-K, Contratos, o el tuyo propio.
¿Cómo se desempeña en BrowseComp-Plus?
BrowseComp-Plus plantea a un agente de investigación profunda 830 preguntas de múltiples saltos sobre aproximadamente 100K documentos web fijos. Con GPT-5, Informes de Nace AI:
- 92.05% de precisión, #2 de 86 entradas en la tabla de clasificación.
- 12.61 llamadas de búsqueda por pregunta, 16.6 veces menos que la única entrada por delante (209.27 llamadas).
- 87.32% en una sola pasada con 8.93 llamadas de búsqueda, la mejor de cualquier entrada con menos de 10 llamadas.
- +20.4 puntos sobre la línea base de Qwen3-Embed-8B, con el mismo modelo GPT-5.
¿Cómo puntúa en los benchmarks de documentos?
En VisDocAgentBench, un agente encuentra 1 página objetivo entre 2,375 páginas de arXiv. Drex for Search obtiene 77.5% R@1 con un planificador Qwen 27B de pesos abiertos. El mejor agente publicado, Claude Opus 5, obtiene 67.5%. R@1 es 97.5% en preguntas directas, 77.5% en un puente y 57.5% en dos.
En MADQA, los agentes responden sobre más de 800 PDFs y citan páginas. Nace reporta 94.7% de precisión con Gemini 3.5 Flash y un F1 de atribución de página de 88.2. Su calibración de esfuerzo (Kuiper) es 6.66. Nace lo ubica en el #1, basándose en la tabla de clasificación tal como se leyó el 20 de octubre. Con Qwen 27B de pesos abiertos, Nace reporta 93.4%.
En EnterpriseRAG-Bench, con más de 500,000 documentos internos de empresas, Nace reporta una puntuación general de 88.22, lo que lo sitúa en el puesto #3. Eso es 27.2 puntos por encima de OpenAI File Search (61.03).
¿Cómo se compara con los mejores resultados publicados?
Los puestos y puntuaciones son los publicados por Nace AI, a partir de tablas de clasificación consultadas el 20 de octubre de 2026.
| Benchmark (puesto Drex, según Nace) | Sistema | Organización | Modelo de respuesta | Puntuación |
|---|---|---|---|---|
| BrowseComp-Plus, precisión y llamadas de búsqueda por pregunta (#2 de 86) | Hybrid Qwen2-7B + Reason-ModernColBERT | AI21 Labs | GPT-5 | 95.18%, 209.27 llamadas |
| Drex for Search | Nace AI | GPT-5 | 92.05%, 12.61 llamadas | |
| Mixedbread Search (v3) | Mixedbread | GPT-5 | 90.48%, 11.53 llamadas | |
| Reason-ModernColBERT | LightOn | GPT-5 | 87.59%, 13.27 llamadas | |
| VisDocAgentBench, R@1 (#1) | Drex for Search | Nace AI | Qwen 27B (planificador) | 77.5% |
| Agente que usa herramientas | Anthropic | Claude Opus 5 | 67.5% | |
| Agente que utiliza herramientas | Anthropic | Claude Fable 5 | 62.5% | |
| Agente que utiliza herramientas | OpenAI | GPT-5.6-sol | 61.67% | |
| MADQA, precisión (#1) | Drex for Search | Nace AI | Gemini 3.5 Flash | 94.7% |
| RAG agéntico | Progress Software | Gemini 3.5 Flash + 3.6 Flash | 94.3% | |
| Búsqueda agéntica | Mixedbread | Gemini 3.5 Flash | 93.4% | |
| PPLX Embed 2 RAG | Perplexity | Gemini 3.5 Flash | 92.1% | |
| File Search | OpenAI | GPT-5 | 49.6% | |
| EnterpriseRAG-Bench, puntuación general (#3 de 31) | Flexor.ai | Flexor.ai | GPT-6.1 Sol | 91.48 |
| CDL | Causal Dynamics Lab | No listado | 90.91 | |
| Drex for Search | Nace AI | No cotizada | 88.22 | |
| Mixedbread | Mixedbread | Claude Opus 5 | 86.58 | |
| OpenAI File Search | OpenAI | Producto gestionado | 61.03 | |
| Azure AI Search | Microsoft | Producto gestionado | 48.42 | |
| Vertex AI Search | Producto gestionado | 41.87 |
¿Cómo pueden los desarrolladores obtener acceso?
Drex for Search se ejecuta en la Nace API Console, con 4 formas de acceso con una sola clave:
- CLI: nace-cli en PyPI.
- SDKs: nace-sdk para Python y nace-sdk para TypeScript.
- MCP: nace-mcp, para Claude Code, Codex, Cursor u OpenCode.
- REST: una OpenAPI spec.
Conclusiones clave
- Drex for Search proporciona a los agentes páginas y tablas citadas, no fragmentos top-k.
- 92.05% en BrowseComp-Plus con 16.6 veces menos llamadas de búsqueda que la única entrada por delante.
- 77.5% R@1 en VisDocAgentBench, 10 puntos por encima de Claude Opus 5.
- En OfficeQA Pro, los turnos del agente disminuyeron para las 9 combinaciones de harness y modelo que Nace probó.
Consulta la página de Drex for Search, API Console, Docs y Hugging Face.
Gracias al equipo de Nace AI por su liderazgo de pensamiento / recursos para este artículo. Este artículo está patrocinado por Nace AI.
La entrada Nace AI lanza Drex for Search para agentes de IA: 92.05% en BrowseComp-Plus con 12.6 llamadas de búsqueda apareció primero en MarkTechPost.