Nace AI lance Drex, un outil de recherche pour agents IA : 92,05 % sur BrowseComp-Plus avec 12,6 appels de recherche
Nace AI a lancé Drex for Search, une couche de recherche documentaire qui applique ses modèles de décision Drex pour aider humains et agents à retrouver des preuves. Les agents de code comme Claude Code, Codex, Cursor et OpenCode l'appellent via CLI, SDK, MCP ou REST. Le système, hébergé, est conçu pour des corpus de plus d'un million de fichiers et s'associe à un modèle de réponse tel que GPT-5, Gemini 3.5 Flash ou Qwen 27B. Il fonctionne sur le cloud géré de Nace, un cloud dédié, un compte AWS ou Azure du client, ou en local et en environnement isolé. Sur BrowseComp-Plus, 830 questions multi-sauts portant sur environ 100 000 documents web, Nace revendique 92,05 % de réussite avec GPT-5, soit la 2e place sur 86 entrées, avec 12,61 appels de recherche par question, contre 209,27 pour la seule entrée devant lui. En une seule passe, le score atteint 87,32 % avec 8,93 appels, le meilleur résultat sous la barre des 10 appels. Sur VisDocAgentBench, où il faut retrouver une page cible parmi 2 375 pages arXiv, le système obtient 77,5 % de R@1 avec un planificateur Qwen 27B open-weight, contre 67,5 % pour Claude Opus 5, le meilleur agent publié. Sur MADQA (800 PDF), il affiche 94,7 % de précision avec Gemini 3.5 Flash.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de MarkTechPost. Lire l'article original →
Pour les équipes qui déploient des agents sur des bases documentaires volumineuses, l'enjeu est double : fiabilité et coût. Nace a testé neuf couples agent et modèle sur OfficeQA Pro, 133 questions portant sur les bulletins du Trésor américain. Avec Drex for Search, les agents répondent correctement environ 6 % plus souvent, avec 62 % d'étapes en moins, 56 % de jetons en moins et une exécution 2,3 fois plus rapide. Gemini CLI avec Gemini 3.1 Pro passe de 54,9 % à 61,7 % de précision et de 22,9 à 10,4 tours d'agent. Claude Code avec Opus 5.5 monte de 66,5 % à 69,9 %, et Hermes Agent avec Opus 5.5 réduit ses tours de 8,5 à 3,7. Le gain n'est toutefois pas universel : Codex avec GPT-6 luna recule de 54,9 % à 53,4 % de précision, tout en économisant des tours. Le produit gère PDF et scans, tableurs, Parquet, audio, vidéo, documents bureautiques et JSON. Chaque réponse cite le fichier et la page, la ligne ou la minute d'origine, les espaces de travail sont isolés avec leur propre index et graphe de connaissances, et une rétention nulle est possible avec son propre stockage S3 ou Azure Blob.
Nace s'attaque aux limites du RAG classique, résumé par la formule « découper, vectoriser, top-k, et espérer ». Ce schéma échoue quand la réponse se trouve dans un tableau à la page 23, exige deux sauts entre fichiers ou se cache dans un PDF scanné. Drex traite la recherche comme une suite de décisions : un modèle attribue à chaque option une probabilité calibrée en une seule passe avant, ce qui le rend assez léger pour intervenir à chaque étape d'un agent. Le processus se déroule en trois temps. Il classe d'abord la question (simple consultation ou route agentique), puis descend dans l'arborescence (dossier, fichier, section, page, puis table et colonne) en ne gardant que ce qui peut contenir la réponse, et ne transmet enfin au LLM que les pages et tableaux retenus. La profondeur étant fixe, un million de fichiers demande autant d'étapes que mille, selon Nace. Ces résultats proviennent de l'éditeur lui-même, et il revendique la première ou la deuxième place sur trois des quatre classements publics évalués.
Pas d'impact direct sur la France/UE