Т-Банк выпустил T-Search: open-source агент для многошагового поиска на русском

في يوليو 2026، أطلق بنك T-Bank نظام T-Search، وهو وكيل استرجاع مفتوح المصدر (open-source) مخصص للبحث المعقّد متعدد الخطوات، مبني على نموذج Qwen3.6-35B-A3B ومدرَّب بالكامل على بيانات اصطناعية. يمثّل هذا فئة جديدة من النماذج ضمن سلسلة Gen-T المفتوحة المصدر، التي تضم بالفعل عائلتي T-Lite وT-Pro الناطقتين بالروسية.

بم يختلف T-Search عن البحث العادي؟

لا يكتب T-Search إجابة نهائية، بل يقدّم قائمة مرتّبة من المقاطع النصية ذات الصلة (chunks). ويمكن إسناد مهمة توليد الإجابة النهائية بناءً على هذه القائمة إلى أي نموذج، وفقًا لمتطلبات كل منتج على حدة. وهذا قرار معماري أساسي: فهو يفصل بين وحدة الاسترجاع (retriever) ووحدة التوليد (generator)، ويترك للمطوّر اختيار نموذج اللغة الكبير (LLM) الذي سيصوغ الإجابة للمستخدم.

صُمِّم النموذج خصيصًا للبحث متعدد الخطوات — أي عندما لا يمكن العثور على الإجابة باستعلام واحد، بل يتطلب الأمر تنقيحًا متتاليًا ودمج مصادر متعددة واستبعاد ما هو غير ذي صلة.

• النموذج الأساسي — Qwen3.6-35B-A3B (بنية MoE)
• التدريب — بالكامل على بيانات اصطناعية مصمَّمة خصيصًا لبيئة الاختبار (harness) الخاصة ببنك T-Bank
• مخرجات النموذج — قائمة مرتّبة من المقاطع، وليست نصًا جاهزًا
• جزء من سلسلة Gen-T المفتوحة (بعد T-Lite وT-Pro)
• إلى جانب النموذج، صدر في المصدر المفتوح مؤشرا أداء (benchmarks): TRuST وSynthComp

كيف تم تدريب النموذج؟

تم تدريب T-Search على مرحلتين — SFT (الضبط الدقيق الموجَّه) وRL (التعلّم المعزَّز) — على بيانات ولّدها بنك T-Bank بنفسه. ولهذا الغرض، بنى الفريق "مصنعًا" لمهام بحث اصطناعية مزوَّدًا بحلقة تحقق تنافسية (adversarial): يتم إنشاء المهام والتحقق من جودتها فورًا، حتى لا تتسرب بيانات رديئة إلى مجموعة التدريب.

والنهج المتّبع هنا تجاه البيانات الاصطناعية له طابع مبدئي: فمجموعات البيانات الحقيقية الموسومة للبحث الوكيلي المعقّد باللغة الروسية تكاد تكون منعدمة عمليًا، لذا تعيّن توليد بيانات التدريب خصيصًا لبيئة الاختبار المحددة بدلًا من جمعها يدويًا.

«لا يكتب T-Search الإجابة النهائية، بل يقدّم قائمة مرتّبة من المقاطع، ويمكن إسناد التوليد إلى أي نموذج وفقًا لمتطلبات منتج معيّن» — تولیا بوتابوف (Tolya

Potapov)، مهندس تعلّم آلي (MLE) في T-Bank، في مدونة الشركة على Habr.

ما الغرض من مؤشري الأداء TRuST وSynthComp؟

إلى جانب النموذج، أصدر بنك T-Bank مؤشري أداء لقياس جودة البحث الوكيلي. ويُعد TRuST، بحسب وصف الفريق، أول مؤشر أداء للبحث الوكيلي المعقّد باللغة الروسية. أما SynthComp فهو مؤشر أداء اصطناعي باللغتين الروسية والإنجليزية ذو فهارس ثابتة، ما يتيح مقارنة قابلة للتكرار بين مختلف وحدات الاسترجاع على البيانات نفسها.

وتكتسب مؤشرات الأداء المفتوحة باللغة الروسية أهمية خاصة بذاتها: فمعظم مقاييس الاسترجاع (retrieval) وRAG صُمِّمت تاريخيًا لصالح اللغة الإنجليزية، ولم تكن هناك حتى الآن وسيلة تُذكر لقياس جودة البحث باللغة الروسية بموضوعية.

ما الذي يعنيه هذا؟

يواصل بنك T-Bank إثراء منظومة الذكاء الاصطناعي الروسية المفتوحة المصدر: فبعد نموذجَي اللغة T-Lite وT-Pro، ظهرت الآن وحدة استرجاع متخصصة إلى جانب أدوات لتقييمها. وبالنسبة للفرق التي تبني أنظمة RAG ووكلاء بحث باللغة الروسية، يمثّل ذلك مكوّنًا جاهزًا مفتوح المصدر ووسيلة لقياس جودته بأمانة.

الأسئلة الشائعة

ما هو T-Search؟

T-Search هو وكيل الاسترجاع مفتوح المصدر التابع لبنك T-Bank، المخصَّص للبحث المعقّد متعدد الخطوات، ويعتمد على نموذج Qwen3.6-35B-A3B. لا يولّد الإجابة النهائية، بل يعيد قائمة مرتّبة من المقاطع النصية ذات الصلة، ليقوم أي نموذج مُختار بصياغة الإجابة بناءً عليها.

على أي بيانات تم تدريب T-Search؟

دُرِّب النموذج بالكامل على بيانات اصطناعية ولّدها بنك T-Bank خصيصًا لبيئة الاختبار الخاصة به عبر "مصنع" لمهام البحث مزوَّد بحلقة تحقق تنافسية. وتمّ التدريب على مرحلتين — SFT وRL.

ما مؤشرات الأداء التي أصدرها بنك T-Bank؟

إلى جانب النموذج، صدر في المصدر المفتوح مؤشرا أداء: TRuST، وهو أول مؤشر أداء للبحث الوكيلي المعقّد باللغة الروسية، وSynthComp، وهو مؤشر أداء اصطناعي باللغتين الروسية والإنجليزية ذو فهارس ثابتة.