T-Bank lance T-Search : un agent open source de recherche multi-étapes pour le russe

En juillet 2026, T-Bank a publié T-Search, un agent de retrieval ouvert pour la recherche complexe en plusieurs étapes. Il repose sur Qwen3.6-35B-A3B et a été entraîné entièrement sur des données synthétiques. Il s'agit d'une nouvelle classe de modèles dans la gamme ouverte Gen-T, qui compte déjà les familles russophones T-Lite et T-Pro.

En quoi T-Search se distingue d'un moteur de recherche classique

T-Search n'écrit pas la réponse finale : il renvoie une liste classée de chunks pertinents, c'est-à-dire de fragments de texte. La génération de la réponse finale à partir de cette liste peut être confiée à n'importe quel modèle, selon les exigences du produit. C'est le choix d'architecture central : le retriever et le générateur sont séparés, et le développeur décide lui-même quel LLM formule la réponse à l'utilisateur.

Le modèle est conçu pour la recherche multi-étapes, lorsqu'une réponse ne peut pas être trouvée avec une seule requête et qu'il faut affiner progressivement, combiner les sources et écarter le superflu.

• Modèle de base : Qwen3.6-35B-A3B (architecture MoE)
• Entraînement : entièrement sur données synthétiques, pour le harness propre à T-Bank
• Sortie du modèle : une liste classée de chunks, et non un texte rédigé
• Fait partie de la gamme ouverte Gen-T (après T-Lite et T-Pro)
• Publiés en open source avec le modèle : deux benchmarks, TRuST et SynthComp

Comment le modèle a été entraîné

T-Search a été entraîné en deux étapes, SFT (supervised fine-tuning) puis RL (apprentissage par renforcement), sur des données générées par T-Bank lui-même. L'équipe a pour cela construit une « usine » de tâches de recherche synthétiques, dotée d'une boucle de vérification adversariale : les tâches sont créées puis immédiatement contrôlées sur le plan de la qualité, afin d'éviter que des données parasites n'entrent dans le jeu d'entraînement.

L'approche synthétique est ici une question de principe : il n'existe pratiquement pas de jeux de données annotés réels pour la recherche agentique complexe en russe. Les données d'entraînement ont donc dû être générées pour un harness précis, et non collectées à la main.

« T-Search n'écrit pas la réponse finale, mais renvoie une liste classée de chunks ; la génération peut être confiée à n'importe quel modèle selon les exigences du produit », —

Tolia Potapov, MLE chez T-Bank, sur le blog de l'entreprise sur Habr.

À quoi servent les benchmarks TRuST et SynthComp

Avec le modèle, T-Bank a ouvert deux benchmarks pour mesurer la qualité de la recherche agentique. TRuST est, selon l'équipe, le premier benchmark de recherche agentique complexe en russe. SynthComp est un benchmark synthétique en russe et en anglais, à index fixes, ce qui permet de comparer de manière reproductible différents retrievers sur les mêmes données.

Les benchmarks ouverts en russe ont une importance propre : la plupart des métriques de retrieval et de RAG sont historiquement conçues pour l'anglais, et il n'existait presque aucun moyen de mesurer objectivement la qualité de la recherche en russe.

Ce que cela change

T-Bank continue d'enrichir l'écosystème d'IA ouvert russe : après les modèles de langage T-Lite et T-Pro, voici un retriever spécialisé, accompagné d'outils pour l'évaluer. Pour les équipes qui construisent des RAG et des agents de recherche en russe, c'est un composant open source prêt à l'emploi et un moyen de mesurer honnêtement sa qualité.

Questions fréquentes

Qu'est-ce que T-Search ?

T-Search est l'agent de retrieval ouvert de T-Bank pour la recherche complexe en plusieurs étapes, basé sur Qwen3.6-35B-A3B. Il ne génère pas la réponse finale : il renvoie une liste classée de fragments de texte pertinents, à partir desquels le modèle de votre choix formule la réponse.

Sur quelles données T-Search a-t-il été entraîné ?

Le modèle a été entraîné entièrement sur des données synthétiques, que T-Bank a générées pour son propre harness via une « usine » de tâches de recherche dotée d'une boucle de vérification adversariale. L'entraînement s'est déroulé en deux étapes : SFT et RL.

Quels benchmarks T-Bank a-t-il publiés ?

Deux benchmarks sont sortis en open source avec le modèle : TRuST, le premier benchmark de recherche agentique complexe en russe, et SynthComp, un benchmark synthétique en russe et en anglais à index fixes.