T-Search检索模型
3 节点1 篇4 来源
T-Tech发布开源智能体检索器T-Search，基于Qwen3.6-35B-A3B架构，专攻英俄双语多步硬搜索。该模型通过多轮ReAct循环返回证据块而非最终答案，在七个基准测试中平均Recall@10达56.0（单次）至61.3（三次融合），超越更大规模开放模型。其核心创新在于“轮次切片”上下文管理以对抗长程搜索中的语境腐烂，并引入首个俄语硬搜索基准TRuST。争议点在于其通用能力与专用能力的权衡：官方承认其在通用基准上无显著增益，强调仅作为可替换组件服务于RAG系统。后续需关注Habr上的详细训练报告及社区对单GPU部署效率的实际验证。
事情怎么走到这一步
T-Tech正式开源T-Search模型及配套工具链，宣称可在单GPU上运行，成本较传统集群方案降低一个数量级。
quasa.io ↗官方博客发布技术详解，阐述如何通过固定工作窗口和显式保存机制解决长程搜索中的“语境腐烂”问题。
t-tech-t-search-blog.hf.space ↗论文《T-Search: An Open Agentic Retriever...》提交至arXiv，公布在BrowseComp-Plus等基准上的具体召回率数据及TRuST基准集。
arxiv.org ↗
还没定论的部分
- T-Search在非检索类通用任务上的表现是否如官方所述确实无增益？
- TRuST基准集的标注质量及社区复现结果如何？
- FP8/NVFP4量化版本在实际部署中的精度损失具体是多少？