SID AI lançou o SID-2, seu segundo modelo de busca agencial, juntamente com o SID-2 Swarm. O SID-2 é um modelo de busca agencial da SID AI que procura seus dados, lê resultados e retorna IDs de documentos classificados. Ele substitui pipelines RAG fixos por um modelo que decide o que pesquisar a seguir. TL;DR Tamanho: a janela de contexto tem 262k tokens conforme relatório (256k em sid.ai/models). Executa em: API hospedada em platform.sid.ai, além de caminhos de referência da Baseten e SageMaker. Os números de latência da SID assumem 1 GPU B200 com 8 consultas concorrentes. Desempenho: um único agente iguala o Claude Opus 5.5 na qualidade de recuperação. Os Swarms superam todos os modelos testados pela SID. Melhor: SID-2 Swarm (12 agentes) alcança 0,720 NDCG, acima do GPT-6 Astra em 0,704. Pior: SID-2 Low tem 0,556 NDCG, 0,148 abaixo do GPT-6 Astra. O Astra ainda lidera em lei da Califórnia, registros da SEC e FiQA. Resumo: Melhor: nível de fronteira de recuperação a uma fração da latência. Pior: tamanho, pesos ou avaliações independentes ainda não divulgados. O que é o SID-2 e como funciona? O SID-2 é um especialista em busca pequeno, não um modelo de chat geral. Um pipeline estático executa reescrita, embed, busca e rerankeamento em ordem fixa. O SID-2, ao contrário, pesquisa, lê resultados, adapta e pesquisa novamente. Os desenvolvedores implementam as ferramentas de busca em seus próprios backends. Uma ferramenta text_search cobre busca por palavras-chave e uma ferramenta search cobre busca vetorial. O modelo termina cada episódio chamando report_helpful_ids com uma lista classificada. Não há reindexação nem movimentação de dados, pois o SID-2 só vê o que as suas ferramentas retornam. O SID-2 Swarm executa vários agentes que se comunicam entre si e forkeiam seu contexto em novos agentes. Cada agente explora uma fatia separada do corpus. A SID argumenta que a busca ganha mais ao ler mais documentos do que ao raciocinar mais intensamente sobre cada um. O que são esforço de raciocínio e Metric Steering? O SID-2 oferece baixo, médio e alto esforço de raciocínio. Cada nível foi treinado como um especialista separado, depois fundido com distilação on‑policy multi‑teacher. Metric Steering permite ao usuário...
Fonte: MarkTechPost
Publicado em 2026-11-18