В мире искусственного интеллекта произошёл заметный прорыв: компания Nace AI представила Drex — новую систему поиска ИИ-агентов, которая демонстрирует впечатляющие результаты. Согласно опубликованным данным, Drex достигает точности 92,05% на бенчмарке BrowseComp-Plus, затрачивая на это в среднем всего 12,6 поисковых запросов. Это сочетание высокой точности и эффективности вызывает вопросы: как команде удалось добиться такого баланса, и что это значит для будущего агентного ИИ?
Что такое Drex и почему это важно
Drex — это не просто очередная языковая модель. Речь идёт о специализированной системе оркестрации, которая учится находить, оценивать и подключать внешних ИИ-агентов для решения конкретных задач. В отличие от универсальных чат-ботов, Drex работает как диспетчер: он анализирует запрос, разбивает его на подзадачи и решает, какой именно агент (или комбинация агентов) справится лучше всего.
Ключевая метрика — BrowseComp-Plus — представляет собой усложнённый тест на способность системы вести многошаговый поиск в открытых источниках, сопоставлять факты и делать выводы. Показатель 92,05% означает, что Drex ошибается менее чем в восьми случаях из ста, что для задач такого уровня сложности является выдающимся результатом.
Секрет эффективности: 12,6 запросов вместо десятков
Особого внимания заслуживает среднее количество поисковых запросов — 12,6. Многие конкурирующие решения для достижения сопоставимой точности вынуждены выполнять в разы больше итераций, что увеличивает задержку и стоимость вычислений. Drex же демонстрирует так называемую экономию контекста: система не тратит запросы впустую, а строит стратегию поиска заранее.
Три технологических столпа
- Контекстная инженерия (Context Engineering). Drex динамически формирует «карту задачи», отсекая нерелевантные направления ещё до отправки запроса. Это снижает количество «слепых» поисков.
- Модели принятия решений (Decision Models). Встроенный модуль оценивает вероятную полезность каждого следующего шага, выбирая наиболее информативный запрос из возможных.
- Мета-обучение на агентах. Система учится не только на текстах, но и на поведении других ИИ-агентов: какие стратегии приводили к успеху в похожих ситуациях.
Именно комбинация этих подходов позволяет Drex укладываться в 12,6 запроса, не жертвуя точностью. По сути, система заменяет « brute-force»-перебор вариантов интеллектуальным планированием.
Как это работает на практике
Представьте, что пользователь просит найти и сравнить несколько научных публикаций по узкой теме. Классический агент начнёт перебирать ключевые слова, уточнять формулировки и постепенно накапливать контекст — на это могут уйти десятки запросов. Drex действует иначе: сначала он строит гипотезу о структуре знания, затем выбирает минимальный набор источников, которые покрывают разные аспекты вопроса, и только после этого углубляется в детали.
Такой подход особенно ценен для Enterprise AI, где важны не только качество ответа, но и предсказуемость затрат. Меньше запросов — меньше нагрузка на инфраструктуру, ниже задержка и проще масштабировать решение на тысячи пользователей одновременно.
Позиционирование на рынке агентного ИИ
Релиз Drex вписывается в более широкий тренд — переход от одиночных языковых моделей к экосистемам агентов. Сегодня разработчики всё чаще говорят о Agentic AI как о следующем этапе эволюции искусственного интеллекта: системы должны не просто отвечать, а действовать, планировать и сотрудничать.
На этом фоне Nace AI предлагает не ещё одну LLM, а инфраструктурный слой — «поисковик агентов». Это перекликается с идеей AI Shorts и модульных приложений, где каждый компонент отвечает за узкую функцию. Если Drex сможет стать стандартом де-факто для маршрутизации задач между агентами, компания получит стратегическое преимущество на рынке корпоративных решений.
Что стоит за цифрами
Важно понимать: 92,05% на BrowseComp-Plus — это не абсолютная истина, а результат на конкретном наборе тестов. Тем не менее, сочетание с показателем в 12,6 запроса делает результат особенно убедительным. Конкуренты нередко достигают похожей точности, но ценой 30–50 итераций. Разница в эффективности — это разница между продуктом, который можно внедрить в реальный бизнес-процесс, и исследовательским прототипом.
Вывод
Drex от Nace AI — это наглядная демонстрация того, что гонка за точностью в ИИ постепенно смещается в сторону эффективности. Показатели 92,05% на BrowseComp-Plus при 12,6 поисковых запросах говорят о зрелости подходов контекстной инженерии и моделей принятия решений. Для разработчиков и компаний, строящих агентные системы, релиз Drex — сигнал: будущее за интеллектуальной маршрутизацией задач, а не за бесконечным перебором вариантов. Если Nace AI продолжит в том же духе, у неё есть шанс стать важным игроком на рынке корпоративного ИИ.
