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

Т-Банк в июле 2026 года выпустил T-Search — открытый агент-ретривер для сложного многошагового поиска, построенный на базе Qwen3.6-35B-A3B и обученный полностью на синтетических данных. Это новый класс моделей в линейке открытых Gen-T, куда уже входят русскоязычные семейства T-Lite и T-Pro.

Чем T-Search отличается от обычного поиска

T-Search не пишет финальный ответ, а отдаёт ранжированный список релевантных чанков — фрагментов текста. Генерацию итогового ответа поверх этого списка можно доверить любой модели под требования конкретного продукта. Это ключевое архитектурное решение: ретривер и генератор разделены, и разработчик сам выбирает, какая LLM формулирует ответ пользователю.

Модель заточена под многошаговый поиск — когда ответ нельзя найти одним запросом, а нужно последовательно уточнять, комбинировать источники и отсеивать лишнее.

• Базовая модель — Qwen3.6-35B-A3B (MoE-архитектура)
• Обучение — полностью на синтетических данных под собственный харнесс Т-Банка
• Выход модели — ранжированный список чанков, а не готовый текст
• Часть открытой линейки Gen-T (после T-Lite и T-Pro)
• Вместе с моделью в open source — два бенчмарка: TRuST и SynthComp

Как обучали модель

T-Search обучали в две стадии — SFT (supervised fine-tuning) и RL (обучение с подкреплением) — на данных, которые Т-Банк генерировал сам. Для этого команда построила «фабрику» синтетических поисковых задач с состязательным циклом проверок: задачи создаются и тут же проверяются на качество, чтобы в обучающую выборку не попадал мусор.

Подход к синтетике здесь принципиальный: реальные размеченные датасеты для сложного агентского поиска на русском практически отсутствуют, поэтому обучающие данные пришлось генерировать под конкретный харнесс, а не собирать вручную.

«T-Search не пишет финальный ответ, а отдаёт ранжированный список чанков, генерацию можно доверить любой модели под требования конкретного продукта», —

Толя Потапов, MLE в Т-Банке, в блоге компании на Habr.

Зачем нужны бенчмарки TRuST и SynthComp

Вместе с моделью Т-Банк открыл два бенчмарка для замера качества агентского поиска. TRuST, по описанию команды, — первый бенчмарк сложного агентского поиска на русском языке. SynthComp — синтетический бенчмарк на русском и английском с фиксированными индексами, что позволяет воспроизводимо сравнивать разные ретриверы на одних и тех же данных.

Открытые бенчмарки на русском важны отдельно: большинство метрик для retrieval и RAG исторически заточены под английский, и объективно измерить качество русскоязычного поиска раньше было почти не на чем.

Что это значит

Т-Банк продолжает наполнять открытую российскую AI-экосистему: после языковых моделей T-Lite и T-Pro появился специализированный ретривер плюс инструменты для его оценки. Для команд, строящих RAG и поисковых агентов на русском, это готовый open-source-компонент и способ честно измерить его качество.

Частые вопросы

Что такое T-Search?

T-Search — открытый агент-ретривер Т-Банка для сложного многошагового поиска на базе Qwen3.6-35B-A3B. Он не генерирует финальный ответ, а возвращает ранжированный список релевантных фрагментов текста, поверх которых ответ формирует любая выбранная модель.

На каких данных обучали T-Search?

Модель обучена полностью на синтетических данных, которые Т-Банк генерировал под собственный харнесс через «фабрику» поисковых задач с состязательным циклом проверок. Обучение прошло в две стадии — SFT и RL.

Какие бенчмарки выложил Т-Банк?

Вместе с моделью в open source вышли два бенчмарка: TRuST — первый бенчмарк сложного агентского поиска на русском языке, и SynthComp — синтетический бенчмарк на русском и английском с фиксированными индексами.