SID AI lance SID-2, un modèle de recherche à base d'agents, avec un mode Swarm à 0,720 de NDCG
SID AI a lancé SID-2, la deuxième génération de son modèle de recherche agentique, accompagné d'une variante multi-agents baptisée SID-2 Swarm. Contrairement à un pipeline RAG classique qui enchaîne de façon fixe réécriture de la requête, vectorisation, recherche et reclassement, SID-2 cherche, lit les résultats, s'adapte puis relance une recherche, avant de renvoyer une liste ordonnée d'identifiants de documents via un outil dédié. Les développeurs implémentent eux-mêmes les outils de recherche par mots-clés et par vecteurs sur leur propre infrastructure, sans réindexation ni déplacement de données. Sur le benchmark interne de SID, qui compte 506 questions réparties sur 19 corpus (HotpotQA, emails Enron, documents de la SEC, PubMed, BrowseComp-Plus), la version moyenne atteint 0,585 de NDCG en 3,11 secondes, contre 0,577 en 25,1 secondes pour Claude Opus 5.5 en réglage moyen. Swarm à 6 agents obtient 0,701 en 17,7 secondes, face à 0,704 en 135 secondes pour GPT-6 Astra au maximum, tandis que la configuration à 12 agents grimpe à 0,720, le meilleur score du tableau. Les références classiques plafonnent à 0,260 pour BM25 et 0,287 pour la recherche vectorielle avec reranker.
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 →
L'enjeu est avant tout économique et opérationnel. Pour 1 000 requêtes, SID-2 moyen coûte 6,54 dollars, contre 131 dollars pour Opus 5.5 et 2 141 dollars pour GPT-6 Astra, et Swarm à 6 agents revient à 263 dollars. L'API est facturée 0,25 dollar par million de tokens en entrée et 1 dollar en sortie (0,50 et 2 dollars pour Swarm), avec une entrée en cache à 10 % du tarif. Sur le corpus WixQA, un seul agent en effort élevé égale Astra pour un coût environ 232 fois inférieur. Le modèle propose trois niveaux d'effort de raisonnement et une fonction de pilotage de métrique permettant de viser le NDCG, le F1 ou le Recall@k, avec k de 1 à 50. Pour les équipes qui construisent des assistants sur des bases documentaires, juridiques ou financières, cela rend envisageable une recherche agentique en quasi temps réel. Les limites restent notables : Astra conserve l'avantage sur le droit californien, les dépôts SEC et FiQA, et la version la plus économe, SID-2 Low, ne fait que 0,556, soit 0,148 de moins qu'Astra.
SID défend l'idée que la recherche progresse davantage en lisant plus de documents qu'en raisonnant plus longtemps sur chacun, ce qui justifie l'approche Swarm, où plusieurs agents échangent des messages et dupliquent leur contexte pour explorer chacun une portion du corpus. L'entraînement repose sur un apprentissage par renforcement en deux étapes : la première optimise la seule qualité de récupération, la seconde ajoute une pénalité de latence multiplicative appliquée uniquement aux récompenses positives. Un mécanisme d'auto-jeu entre générateur de requêtes et résolveur, face à un SID-1 figé, produit des questions difficiles, et l'entreprise annonce un débit d'entraînement six fois supérieur à la configuration par défaut de SLIME. Chaque niveau d'effort a été entraîné comme un expert distinct, puis fusionné par distillation multi-enseignants. Tous les résultats sont publiés par SID elle-même, et la taille du modèle comme ses poids ne sont pas divulgués, de sorte que des évaluations indépendantes seront nécessaires pour confirmer ces performances. Le modèle est accessible via l'API de SID, Baseten et SageMaker, avec des SDK en Python, TypeScript et Go.