Dans la masse des données, SID-2 mise sur l’intelligence collective
Pour explorer de vastes corpus, SID-2 combine recherche adaptative, agents coordonnés et réglages de précision, avec des gains évalués en interne.
Le résultat attendu de SID-2 est une liste ordonnée de documents utiles pour répondre à une question. Accessible par API, ce modèle de recherche parcourt les données au moyen des outils fournis par l’application : il lance des requêtes, lit les résultats et choisit de poursuivre ou de s’arrêter. La documentation précise que l’utilisateur conserve ses moteurs de recherche et doit les raccorder au modèle. Les données n’ont pas à être réindexées pour cette intégration ; seuls les contenus renvoyés par les outils sont exposés au système.
La seconde génération comprend un agent individuel, SID-2, et une version collective, SID-2 Swarm. Dans le premier cas, les observations s’accumulent dans une même fenêtre de contexte et les étapes successives rallongent l’attente. Dans le second, plusieurs agents explorent des pistes en parallèle, dans des contextes séparés, et échangent leurs trouvailles. Chacun peut créer d’autres agents dans la limite fixée pour la tâche, demander une recherche complémentaire ou transmettre les références jugées pertinentes. Les documents signalés sont ensuite réunis dans un classement commun.
L’équipe a entraîné cette coopération par renforcement, avec une récompense partagée entre les agents d’une même recherche. Son hypothèse est que la recherche documentaire profite particulièrement de cette répartition : vérifier la pertinence d’un document déjà trouvé serait souvent plus facile que le découvrir. Multiplier les pistes explorées par de petits modèles pourrait alors être plus efficace qu’augmenter la taille d’un seul modèle. Dans le rapport technique, les essaims coordonnés progressent davantage, à budget de calcul comparable, que la simple fusion de recherches indépendantes.
Les comparaisons portent sur 506 questions réparties entre 19 corpus, dont 207 questions issues de benchmarks publics et 299 produites par le système de génération de l’équipe. À effort moyen, l’agent individuel atteint un score NDCG de 0,58 en 3,1 secondes d’inférence estimées, contre environ 25 secondes pour Claude Opus 5.5 à qualité comparable. Avec six agents, l’essaim atteint environ 0,70 en 18 secondes, un niveau que GPT-6 Astra à effort maximal obtient en 135 secondes. Le NDCG mesure ici la pertinence des documents et leur position dans le classement. Ces durées sont calculées, et non mesurées de bout en bout sur une application en production.
Les résultats varient sensiblement selon les collections. La configuration à douze agents obtient le meilleur score agrégé et arrive en tête sur les courriels Enron ou EnterpriseRAG-Bench. Le modèle GPT-6 Astra conserve l’avantage sur le droit californien et certains corpus financiers, tandis que l’essaim devance les autres systèmes sur PubMed et arXiv. Sur les questions d’assistance client de WixQA, mobiliser plusieurs agents apporte peu de bénéfices supplémentaires. Le protocole révèle aussi des difficultés de certains concurrents à terminer les tâches ou à restituer les résultats demandés, ce qui pèse sur leurs scores.
Le choix du comportement reste configurable. Trois niveaux d’effort règlent le compromis entre temps consacré à la recherche et qualité visée. Une fonction appelée Metric Steering oriente aussi le modèle vers une collecte large, une sélection plus stricte ou un nombre déterminé de résultats : retrouver tous les contrats répondant à un critère ne demande pas la même stratégie que proposer quelques références pour une réponse de support. Ces réglages ont été intégrés à l’entraînement. L’équipe commence par récompenser la qualité de recherche, puis introduit une pénalité de latence ; lorsqu’aucun document pertinent n’est trouvé, finir plus vite ne rapporte pas de récompense supplémentaire.