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

En juillet 2026, T-Bank a lancé T-Search, un agent de récupération (retriever) open source pour la recherche complexe en plusieurs étapes, construit sur Qwen3.6-35B-A3B et entraîné entièrement sur des données synthétiques. Il s'agit d'une nouvelle classe de modèles dans la gamme ouverte Gen-T, qui comprend déjà les familles russophones T-Lite et T-Pro.

En quoi T-Search diffère d'une recherche classique

T-Search ne rédige pas de réponse finale : il fournit une liste classée de fragments de texte pertinents (chunks). La génération de la réponse finale à partir de cette liste peut être confiée à n'importe quel modèle, selon les exigences d'un produit donné. C'est là une décision architecturale essentielle : le retriever et le générateur sont séparés, et c'est le développeur qui choisit quel LLM formule la réponse destinée à l'utilisateur.

Le modèle est conçu pour la recherche en plusieurs étapes — lorsque la réponse ne peut pas être trouvée en une seule requête, mais nécessite d'affiner successivement, de combiner des sources et d'écarter le superflu.

• Modèle de base — Qwen3.6-35B-A3B (architecture MoE)
• Entraînement — entièrement sur des données synthétiques conçues pour le harnais (harness) propre à T-Bank
• Sortie du modèle — une liste classée de chunks, et non un texte prêt à l'emploi
• Fait partie de la gamme ouverte Gen-T (après T-Lite et T-Pro)
• Publiés avec le modèle en open source — deux benchmarks : TRuST et SynthComp

Comment le modèle a été entraîné

T-Search a été entraîné en deux étapes — SFT (supervised fine-tuning) et RL (apprentissage par renforcement) — sur des données que T-Bank a générées elle-même. Pour cela, l'équipe a construit une « usine » de tâches de recherche synthétiques dotée d'un cycle de vérification adversarial : les tâches sont créées puis immédiatement contrôlées en qualité, afin qu'aucun déchet n'entre dans le jeu d'entraînement.

L'approche adoptée ici pour les données synthétiques est une question de principe : il n'existe pratiquement pas de jeux de données réels annotés pour la recherche agentique complexe en russe ; les données d'entraînement ont donc dû être générées pour le harnais spécifique plutôt que collectées manuellement.

« T-Search ne rédige pas la réponse finale, il fournit une liste classée de chunks ; la génération peut être confiée à n'importe quel modèle selon les exigences d'un produit donné », a déclaré

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

À quoi servent les benchmarks TRuST et SynthComp

En même temps que le modèle, T-Bank a publié deux benchmarks pour mesurer la qualité de la recherche agentique. TRuST, selon la description de l'équipe, est 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 comptent en soi : la plupart des métriques de retrieval et de RAG ont historiquement été conçues pour l'anglais, et il n'existait jusqu'ici presque aucun moyen de mesurer objectivement la qualité de la recherche en russe.

Ce que cela signifie

T-Bank continue d'enrichir l'écosystème IA russe ouvert : après les modèles de langage T-Lite et T-Pro, un retriever spécialisé fait son apparition, accompagné d'outils pour l'évaluer. Pour les équipes qui construisent des systèmes 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 récupération open source de T-Bank pour la recherche complexe en plusieurs étapes, basé sur Qwen3.6-35B-A3B. Il ne génère pas la réponse finale, mais renvoie une liste classée de fragments de texte pertinents, à partir de laquelle n'importe quel modèle choisi 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 harnais via une « usine » de tâches de recherche dotée d'un cycle de vérification adversarial. L'entraînement s'est déroulé en deux étapes — SFT et RL.

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

Avec le modèle, deux benchmarks ont été publiés en open source : TRuST, le premier benchmark de recherche agentique complexe en russe, et SynthComp, un benchmark synthétique en russe et en anglais à index fixes.