Nace AI a lancé Drex for Search, qui apporte ses modèles de décision Drex à la recherche documentaire. Drex for Search est une couche de récupération qui aide les personnes et les agents à trouver des preuves. Les agents de code tels que Claude Code, Codex, Cursor et OpenCode l'appellent via CLI, SDK, MCP ou REST. Dans l'évaluation de Nace, il obtient 92,05 % sur BrowseComp-Plus avec GPT-5, en utilisant 12,6 appels de recherche par question.
TL;DR
- Taille : un système de recherche hébergé conçu pour chercher dans plus d'1M de fichiers. Il fonctionne de pair avec un modèle de réponse tel que GPT-5, Gemini 3.5 Flash ou Qwen 27B.
- Fonctionne sur : le cloud géré de Nace, un cloud dédié, votre propre compte AWS ou Azure, ou sur site et air-gapped.
- Performances : classé #1 ou #2 sur 3 des 4 classements publics, selon Nace.
- Meilleur : 77,5 % R@1 sur VisDocAgentBench, 10 points au-dessus de Claude Opus 5 (67,5 %).
Qu'a lancé Nace AI ?
Nace AI conçoit la recherche comme une série de décisions. Drex for Search applique ses modèles Drex à ces décisions. Drex note les options données avec une probabilité calibrée chacune, en 1 passe forward. Cela le rend assez peu coûteux pour chaque étape d'agent.
Cette version cible le RAG classique, que Nace résume par chunk, embed, top-k, hope.
Le pipeline casse dans 3 cas :
- la réponse se trouve dans un tableau à la page 23
- la réponse nécessite 2 sauts entre fichiers
- la réponse est à l'intérieur d'un PDF scanné
Comment fonctionne Drex for Search au sein d'un agent ?
Nace décrit 3 étapes :
- Classer : Avant toute recherche, Drex décide si la question nécessite une consultation rapide ou un agent. La voie agent lit les documents et interroge les tableaux.
- Comprimer : Drex parcourt l'espace de travail niveau par niveau : dossier, fichier, section, page. Dans une feuille de calcul, il se limite au tableau et à la colonne. Chaque niveau ne conserve que ce qui peut contenir la réponse.
- Répondre : Seules les pages et tableaux conservés parviennent au LLM. La réponse cite le fichier et la page.
La profondeur est fixe, si bien que Nace dit qu'un million de fichiers demandent autant d'étapes que mille.
Dans quelle mesure cela aide-t-il les agents de codage ?
Nace AI a testé 9 paires d'agents et de modèles sur OfficeQA Pro, un benchmark de 133 questions portant sur les U.S. Treasury Bulletins. Points clés : 6 % de réponses correctes en plus, 62 % d'étapes en moins, 56 % de tokens en moins, et 2.3x plus rapide.
| Harness | Modèle | Précision telle que livrée | Précision avec Drex for Search | Tours d'agent tels que livrés | Tours d'agent avec 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 |
Que contient un espace de travail ?
- Fichiers : PDF et scans, xlsx, csv et Parquet, mp3 et mp4, docx, pptx, md, json et txt.
- Citations : chaque réponse nomme le fichier ainsi que la page, la ligne ou la minute dont elle provient.
- Espaces de travail : isolés, avec leur propre index et graphe de connaissances, et partageables avec les membres invités.
- Stockage : téléversez des fichiers ou des dossiers, ou conservez vos espaces de travail dans votre propre bucket S3 ou conteneur Azure Blob.
- Zéro rétention : disponible avec votre propre stockage.
- Domaines : Fiscalité, M&A, SEC 10-K, Contrats, ou le vôtre.
Comment se comporte-t-il sur BrowseComp-Plus ?
BrowseComp-Plus demande à un agent de recherche approfondie de répondre à 830 questions multi-sauts sur environ 100K documents web fixes. Avec GPT-5, Nace AI rapporte :
- 92.05% de précision, #2 sur 86 entrées sur le leaderboard.
- 12.61 appels de recherche par question, soit 16.6 fois moins que la seule entrée devant (209.27 appels).
- 87.32% en un seul passage avec 8.93 appels de recherche, le meilleur de toutes les entrées sous 10 appels.
- +20.4 points par rapport à la base Qwen3-Embed-8B, avec le même modèle GPT-5.
Comment obtient-il des scores sur les benchmarks documentaires ?
Sur VisDocAgentBench, un agent trouve 1 page cible parmi 2,375 pages arXiv. Drex for Search obtient 77.5% R@1 avec un planificateur Qwen 27B à poids ouverts. Le meilleur agent publié, Claude Opus 5, obtient 67.5%. R@1 est de 97.5% sur les questions directes, 77.5% sur un pont, et 57.5% sur deux.
Sur MADQA, des agents répondent à propos de plus de 800 PDF et citent des pages. Nace rapporte 94.7% de précision avec Gemini 3.5 Flash et un F1 d'attribution de pages de 88.2. Sa calibration d'effort (Kuiper) est de 6.66. Nace le classe #1, d'après le leaderboard tel que lu le 20 octobre. Avec le Qwen 27B à poids ouverts, Nace rapporte 93.4%.
Sur EnterpriseRAG-Bench, avec plus de 500,000 documents internes d'entreprise, Nace rapporte un score global de 88.22, ce qui le classe #3. C'est 27.2 points au-dessus d'OpenAI File Search (61.03).
Comment se compare-t-il aux meilleurs résultats publiés ?
Les classements et les scores sont tels que publiés par Nace AI, à partir de classements consultés le 20 octobre 2026.
| Benchmark (rang Drex, selon Nace) | Système | Organisation | Modèle de réponse | Score |
|---|---|---|---|---|
| BrowseComp-Plus, précision et appels de recherche par question (#2 sur 86) | Hybrid Qwen2-7B + Reason-ModernColBERT | AI21 Labs | GPT-5 | 95.18%, 209.27 appels |
| Drex for Search | Nace AI | GPT-5 | 92.05%, 12.61 appels | |
| Mixedbread Search (v3) | Mixedbread | GPT-5 | 90.48%, 11.53 appels | |
| Reason-ModernColBERT | LightOn | GPT-5 | 87.59%, 13.27 appels | |
| VisDocAgentBench, R@1 (#1) | Drex for Search | Nace AI | Qwen 27B (planificateur) | 77.5% |
| Agent utilisant des outils | Anthropic | Claude Opus 5 | 67.5% | |
| Agent utilisant des outils | Anthropic | Claude Fable 5 | 62.5% | |
| Agent utilisant des outils | OpenAI | GPT-5.6-sol | 61.67% | |
| MADQA, précision (#1) | Drex for Search | Nace AI | Gemini 3.5 Flash | 94.7% |
| Agentic RAG | Progress Software | Gemini 3.5 Flash + 3.6 Flash | 94.3% | |
| Recherche agentique | 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, score global (#3 sur 31) | Flexor.ai | Flexor.ai | GPT-6.1 Sol | 91.48 |
| CDL | Causal Dynamics Lab | Non listé | 90.91 | |
| Drex for Search | Nace AI | Non répertorié | 88.22 | |
| Mixedbread | Mixedbread | Claude Opus 5 | 86.58 | |
| OpenAI File Search | OpenAI | Produit géré | 61.03 | |
| Azure AI Search | Microsoft | Produit géré | 48.42 | |
| Vertex AI Search | Produit géré | 41.87 |
Comment les développeurs peuvent-ils y accéder ?
Drex for Search fonctionne dans la Nace API Console, avec 4 moyens d'accès via une seule clé :
- CLI : nace-cli sur PyPI.
- SDK : nace-sdk pour Python et nace-sdk pour TypeScript.
- MCP : nace-mcp, pour Claude Code, Codex, Cursor ou OpenCode.
- REST : une spécification OpenAPI.
Points clés à retenir
- Drex for Search fournit aux agents des pages et tableaux cités, et non des fragments top-k.
- 92.05 % sur BrowseComp-Plus avec 16.6 fois moins d'appels de recherche que la seule entrée devant elle.
- 77.5 % R@1 sur VisDocAgentBench, soit 10 points de plus que Claude Opus 5.
- Sur OfficeQA Pro, le nombre de tours d'agent a diminué pour les 9 paires harnais-modèle que Nace a testées.
Découvrez la page Drex for Search, Console API, Docs et Hugging Face.
Merci à l'équipe Nace AI pour son leadership éclairé / ses ressources pour cet article. Cet article est sponsorisé par Nace AI.
La publication Nace AI lance Drex for Search pour les agents IA : 92.05 % sur BrowseComp-Plus avec 12.6 appels de recherche est apparue en premier sur MarkTechPost.