Т-Банк продолжает развивать линейку открытых моделей Gen-T, выпустив новую разработку T-Search. Агент-ретривер, построенный на базе Qwen3.6-35B-A3B, предназначен для сложного многошагового поиска, где классические RAG-системы часто дают сбои из-за необходимости находить промежуточные сущности и отсеивать правдоподобные, но неверные документы. Модель обучена полностью на синтетических данных, сгенерированных под собственный харнесс, и не пишет финальный ответ, а отдает ранжированный список чанков, позволяя доверить генерацию любой модели под требования конкретного продукта. Вместе с моделью в открытый доступ выложены два бенчмарка: TRuST — первый вручную собранный бенчмарк сложного агентского поиска на русском языке, и SynthComp — синтетический бенчмарк на русском и английском с фиксированными индексами.

Ключевая особенность T-Search — подход к управлению контекстом, который решает проблему context rot, когда накопленный шум снижает качество работы модели. Разработчики отказались от популярных методов, таких как Discard-all, который по сути представляет серию независимых попыток, или суммаризация, при которой теряются важные детали. Вместо этого агент работает раундами с фиксированным контекстным окном около 32 000 токенов, используя три инструмента: search_corpus для поиска по корпусу, save_and_advance для сохранения важных чанков и перехода в новый раунд, и finalize_ranking для завершения поиска. Когда контекст заполняется на 75%, search_corpus блокируется, и у агента остаётся только два действия: финализировать поиск или вызвать save_and_advance, при котором он явно собирает память для следующего раунда, включая сохранённые чанки, покрытые части вопроса и план дальнейших действий.

Техническая реализация T-Search включает фабрику синтетических поисковых задач с состязательным циклом проверок, что позволило обучить модель без использования реальных данных. На этапах SFT и RL принимались решения, направленные на повышение качества поиска в условиях ограниченного контекста. Агент видит исходный вопрос, уже сохранённые чанки и текущее состояние покрытия задачи, после чего самостоятельно выбирает поисковые запросы и решает, что делать дальше. Через границу раунда не проходит вся история вызовов инструментов, а нерелевантные результаты из предыдущих раундов могут быть удалены, что предотвращает накопление шума и повышает точность поиска.

Контекст релиза включает анализ существующих решений для управления контекстом в агентских системах. Разработчики изучили подходы Claude Code и Codex, которые периодически суммаризуют историю, MemGPT с внешней памятью, а также Chroma Context-1, обучающую модель редактировать контекст напрямую. В недавних релизах открытых моделей, таких как DeepSeek-V3.2, Kimi K2.5, GLM и Qwen3.5, также используются различные методы управления контекстом, но T-Search предлагает альтернативу, ориентированную на сохранение точности фактов, а не на обобщение или сброс. Это особенно важно для ретривера, чья цель — найти и сохранить правильные документы, а не генерировать ответ. Самый показательный прием — Discard-all, который по сути представляет собой серию независимых попыток, теряющих информацию, добытую дорогими вызовами инструментов. Суммаризация также критична: модель может сгладить оговорку, потерять отрицание или превратить слабый сигнал в уверенный факт, что для сложного поиска недопустимо.

Для российского рынка T-Search представляет собой значимый шаг в развитии открытых инструментов для сложного поиска. Модель доступна в open source, что позволяет разработчикам интегрировать её в свои продукты без привязки к конкретным платформам. Вместе с бенчмарками TRuST и SynthComp сообщество получает стандартизированные тесты для оценки качества агентского поиска на русском языке, что ранее отсутствовало. Отказ от генерации финального ответа и фокус на ранжировании чанков даёт гибкость: пользователи могут подключать любую генеративную модель, адаптируя стиль и формат под свои нужды, что снижает порог входа для внедрения. Сравнение с альтернативами показывает, что T-Search решает задачу, с которой плохо справляются классические RAG-системы: поиск через цепочку промежуточных запросов. Например, если вопрос требует найти документ, упоминающий сущность, не названную в запросе, обычный ретривер вернёт пустой результат, тогда как T-Search способен построить последовательность шагов. При этом модель не требует дорогостоящих вызовов LLM для суммаризации и не теряет информацию при сбросе контекста, что делает её эффективной для задач, где критична точность фактов.

Перспективы развития T-Search связаны с дальнейшим совершенствованием харнесса и обучением на более разнообразных синтетических данных. Разработчики планируют расширять линейку Gen-T, добавляя модели под конкретные сценарии, и ожидают обратную связь от сообщества для улучшения бенчмарков. Открытые вопросы включают интеграцию с другими инструментами, такими как базы знаний или внешние API, а также оптимизацию для работы в реальном времени. В ближайшее время можно ожидать появление сторонних решений на базе T-Search, адаптированных под узкие задачи, что укрепит позиции открытых моделей в нише сложного поиска. Однако остаются открытыми вопросы масштабирования на очень большие корпусы и производительности при работе с несколькими параллельными запросами, что потребует дальнейших исследований и доработок.