T-Bank lanza T-Search: un agente open source de búsqueda multipaso en ruso

En julio de 2026, T-Bank lanzó T-Search, un agente recuperador abierto para búsqueda compleja y multipaso, construido sobre Qwen3.6-35B-A3B y entrenado íntegramente con datos sintéticos. Es una nueva clase de modelos dentro de la línea abierta Gen-T, que ya incluye las familias en ruso T-Lite y T-Pro.

En qué se diferencia T-Search de un buscador convencional

T-Search no escribe la respuesta final, sino que entrega una lista ordenada de chunks relevantes, es decir, fragmentos de texto. La generación de la respuesta final a partir de esa lista puede encomendarse a cualquier modelo, según los requisitos de cada producto. Es la decisión arquitectónica clave: el recuperador y el generador están separados, y es el desarrollador quien elige qué LLM formula la respuesta al usuario.

El modelo está pensado para la búsqueda multipaso: aquellos casos en que la respuesta no se encuentra con una sola consulta y hay que ir afinando de forma sucesiva, combinar fuentes y descartar lo que sobra.

• Modelo base: Qwen3.6-35B-A3B (arquitectura MoE)
• Entrenamiento: íntegramente con datos sintéticos, adaptados al harness propio de T-Bank
• Salida del modelo: una lista ordenada de chunks, no un texto ya redactado
• Forma parte de la línea abierta Gen-T (tras T-Lite y T-Pro)
• Junto con el modelo se publican en open source dos benchmarks: TRuST y SynthComp

Cómo se entrenó el modelo

T-Search se entrenó en dos fases, SFT (supervised fine-tuning) y RL (aprendizaje por refuerzo), con datos que generó el propio T-Bank. Para ello, el equipo construyó una «fábrica» de tareas de búsqueda sintéticas con un ciclo adversarial de verificaciones: las tareas se crean y se comprueban de inmediato para que no entre basura en el conjunto de entrenamiento.

El enfoque sintético es aquí una necesidad de fondo: apenas existen datasets reales etiquetados para búsqueda agéntica compleja en ruso, así que los datos de entrenamiento hubo que generarlos para un harness concreto en lugar de recopilarlos a mano.

«T-Search no escribe la respuesta final, sino que entrega una lista ordenada de chunks; la generación puede encomendarse a cualquier modelo según los requisitos de cada producto», afirma

Tolya Potapov, MLE de T-Bank, en el blog de la compañía en Habr.

Para qué sirven los benchmarks TRuST y SynthComp

Junto con el modelo, T-Bank ha abierto dos benchmarks para medir la calidad de la búsqueda agéntica. TRuST es, según la descripción del equipo, el primer benchmark de búsqueda agéntica compleja en ruso. SynthComp es un benchmark sintético en ruso y en inglés con índices fijos, lo que permite comparar de forma reproducible distintos recuperadores sobre los mismos datos.

Los benchmarks abiertos en ruso tienen un valor añadido: la mayoría de las métricas de retrieval y RAG se diseñaron históricamente para el inglés, y hasta ahora apenas había con qué medir de forma objetiva la calidad de la búsqueda en ruso.

Qué significa

T-Bank sigue ampliando el ecosistema abierto de IA en Rusia: tras los modelos de lenguaje T-Lite y T-Pro, llega un recuperador especializado junto con las herramientas para evaluarlo. Para los equipos que construyen sistemas RAG y agentes de búsqueda en ruso, supone un componente open source listo para usar y una forma rigurosa de medir su calidad.

Preguntas frecuentes

¿Qué es T-Search?

T-Search es el agente recuperador abierto de T-Bank para búsqueda compleja y multipaso, basado en Qwen3.6-35B-A3B. No genera la respuesta final, sino que devuelve una lista ordenada de fragmentos de texto relevantes, a partir de los cuales cualquier modelo elegido elabora la respuesta.

¿Con qué datos se entrenó T-Search?

El modelo se entrenó íntegramente con datos sintéticos que T-Bank generó para su propio harness mediante una «fábrica» de tareas de búsqueda con un ciclo adversarial de verificaciones. El entrenamiento se hizo en dos fases: SFT y RL.

¿Qué benchmarks ha publicado T-Bank?

Junto con el modelo se han publicado en open source dos benchmarks: TRuST, el primer benchmark de búsqueda agéntica compleja en ruso, y SynthComp, un benchmark sintético en ruso y en inglés con índices fijos.