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

En julio de 2026, T-Bank lanzó T-Search, un agente recuperador de código abierto para búsquedas complejas de varios pasos, construido sobre Qwen3.6-35B-A3B y entrenado por completo con datos sintéticos. Se trata de 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 una búsqueda habitual

T-Search no redacta una respuesta final, sino que entrega una lista clasificada de fragmentos relevantes (chunks) de texto. La generación de la respuesta final a partir de esa lista puede delegarse a cualquier modelo, según los requisitos de cada producto concreto. Esta es la decisión arquitectónica clave: el recuperador (retriever) y el generador están separados, y es el desarrollador quien elige qué LLM formula la respuesta para el usuario.

El modelo está optimizado para la búsqueda de varios pasos, es decir, cuando la respuesta no se puede encontrar con una sola consulta, sino que hay que refinarla de forma secuencial, combinar fuentes y descartar lo irrelevante.

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

Cómo se entrenó el modelo

T-Search se entrenó en dos etapas: SFT (ajuste fino supervisado) y RL (aprendizaje por refuerzo), con datos que el propio T-Bank generó. Para ello, el equipo construyó una "fábrica" de tareas de búsqueda sintéticas con un ciclo de verificación adversarial: las tareas se crean y de inmediato se comprueba su calidad, para que no entre basura en el conjunto de entrenamiento.

El enfoque hacia los datos sintéticos aquí es una cuestión de principios: prácticamente no existen conjuntos de datos reales etiquetados para búsquedas agénticas complejas en ruso, por lo que los datos de entrenamiento tuvieron que generarse para el harness específico en lugar de recopilarse manualmente.

"T-Search no redacta la respuesta final, sino que entrega una lista clasificada de chunks; la generación se puede confiar a cualquier modelo según los requisitos de un producto concreto", afirmó

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

Para qué sirven los benchmarks TRuST y SynthComp

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

Los benchmarks abiertos en ruso son importantes por derecho propio: la mayoría de las métricas de retrieval y RAG han estado históricamente orientadas al inglés, y hasta ahora casi no había forma de medir objetivamente la calidad de la búsqueda en ruso.

Qué significa esto

T-Bank sigue ampliando el ecosistema abierto de IA ruso: después de los modelos de lenguaje T-Lite y T-Pro, ahora aparece un recuperador especializado junto con herramientas para evaluarlo. Para los equipos que construyen sistemas RAG y agentes de búsqueda en ruso, se trata de un componente open source listo para usar y una forma de medir honestamente su calidad.

Preguntas frecuentes

¿Qué es T-Search?

T-Search es el agente recuperador de código abierto de T-Bank para búsquedas complejas de varios pasos, basado en Qwen3.6-35B-A3B. No genera la respuesta final, sino que devuelve una lista clasificada de fragmentos de texto relevantes, sobre los cuales cualquier modelo elegido forma la respuesta.

¿Con qué datos se entrenó T-Search?

El modelo se entrenó por completo con datos sintéticos que T-Bank generó para su propio harness mediante una "fábrica" de tareas de búsqueda con un ciclo de verificación adversarial. El entrenamiento se realizó en dos etapas: SFT y RL.

¿Qué benchmarks publicó T-Bank?

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