Sztuczna Inteligencja 5 min czytania

SID-2 bije GPT-6 Astra w wyszukiwaniu agentowym

Model SID-2 Swarm złożony z zaledwie 12 agentów osiągnął wynik 0.720 NDCG w benchmarku wyszukiwania – przewyższając GPT-6 Astra (0.704), jednego z najmocniejszych graczy w tej kategorii. To nie jest rewolucja w rozmiarze modelu, lecz w architekturze: SID AI zakłada, że przeszukiwanie danych nie musi być statycznym pipeline’em, lecz może być procesem adaptacyjnym, prowadzonym przez model, który sam decyduje, czego szukać dalej.

Jak działa SID-2 – czym różni się od klasycznego RAG?

Klasyczne systemy RAG (Retrieval-Augmented Generation) działają według stałego schematu: przepisanie zapytania, osadzenie wektorowe, przeszukanie indeksu, reranking – zawsze w tej samej kolejności. SID-2 zastępuje ten sztywny pipeline modelem, który po przeczytaniu wyników decyduje, czy i jak szukać dalej.

Programiści implementują dwa narzędzia po stronie swojego backendu: text_search obsługujący wyszukiwanie słów kluczowych oraz search obsługujący wyszukiwanie wektorowe. Model wykonuje epizody wyszukiwania, a każdy z nich kończy wywołaniem funkcji report_helpful_ids, która zwraca posortowaną listę identyfikatorów dokumentów.

Kluczowa zaleta tego podejścia: nie wymaga ponownego indeksowania ani przenoszenia danych. SID-2 widzi tylko to, co zwrócą zaimplementowane przez dewelopera narzędzia – integracja z istniejącą infrastrukturą jest więc płytka i nieinwazyjna.

Co mierzą liczby: wyniki benchmarków

NDCG (Normalized Discounted Cumulative Gain) to metryka jakości rankingów informacyjnych – im wyżej model umieszcza najtrafniejsze dokumenty, tym wyższy wynik. SID-2 Swarm (12 agentów) osiągnął 0.720 NDCG, podczas gdy GPT-6 Astra zatrzymał się na 0.704.

Skala wariantów jest szeroka. Na górze – SID-2 Swarm z wynikiem 0.720, poniżej – pojedynczy agent SID-2 dorównujący jakościowo Claude Opus 5.5. Na dole rankingu SID-2 Low osiąga 0.556, czyli o 0.148 poniżej GPT-6 Astra. Różnica między wariantami tego samego modelu jest więc większa niż przewaga lidera nad konkurencją.

Ważne zastrzeżenie: GPT-6 Astra nadal prowadzi w trzech specyficznych domenach – prawie stanu Kalifornia, dokumentach SEC oraz zbiorze FiQA dotyczącym finansów. Tryb Swarm nie jest panaceum na każdy typ pytania.

Redakcja IWD Partner: Architektura wieloagentowa jako sposób na pobicie dużych monolitycznych modeli to pomysł, który zyskuje na wiarygodności – widzieliśmy podobną logikę w systemach kodowania i planowania. Pytanie, które pozostaje otwarte: czy przewaga Swarmu przy 12 agentach skaluje się liniowo, czy szybko trafi na sufit wydajnościowy? Odpowiedź na to pytanie zadecyduje, czy takie podejście stanie się standardem branżowym, czy pozostanie niszowym rozwiązaniem dla konkretnych zastosowań.

Parametry techniczne i dostępność modelu

Okno kontekstowe SID-2 wynosi 262 000 tokenów według materiałów firmowych (strona sid.ai/models podaje 256 000). Model dostępny jest przez hostowane API na platformie platform.sid.ai, a także przez ścieżki referencyjne na Baseten i Amazon SageMaker.

Dane dotyczące latencji zakładają pracę na jednym GPU NVIDIA B200 przy ośmiu równoczesnych zapytaniach. SID AI nie ujawniło rozmiaru modelu ani wag – brak jest też niezależnych ewaluacji przeprowadzonych poza samą firmą. To istotna luka w transparentności, szczególnie przy porównaniach z modelami zewnętrznymi.

Co zmieni agentowe wyszukiwanie w zastosowaniach produkcyjnych?

Firmy budujące systemy pytań i odpowiedzi nad własnymi bazami dokumentów zyskują alternatywę dla kosztownych przebudów infrastruktury. Zamiast dostrajać kolejność kroków w pipeline’ie RAG, mogą delegować tę decyzję do modelu – i liczyć na wyższą jakość rankingów bez zmian w indeksach.

Tryb Swarm otwiera też nową kategorię kompromisów: 12 równoległych agentów to wyższy koszt obliczeniowy niż jeden, ale potencjalnie niższy niż uruchamianie dużego modelu ogólnego. Jeśli dane SID AI o latencji potwierdzą się w niezależnych testach, architektura wielu małych specjalistów może okazać się ekonomicznie konkurencyjna wobec pojedynczych modeli frontierowych.

Domeny prawna i finansowa, gdzie GPT-6 Astra nadal prowadzi, pokazują granicę obecnego podejścia: zapytania wymagające głębokiej wiedzy dziedzinowej wciąż preferują modele trenowane z myślą o tych obszarach. Agentowe wyszukiwanie rozwiązuje problem adaptacji strategii szukania, nie problem wiedzy.

Pytania czytelników o SID-2

Czy SID-2 nadaje się do zastosowań enterprise już teraz?

Model jest dostępny przez API i działa z SageMakerem, co obniża próg wejścia dla środowisk enterprise. Brak ujawnionych wag i niezależnych audytów sprawia jednak, że wdrożenia w regulowanych branżach powinny poprzedzić własne testy jakości na reprezentatywnych zbiorach danych.

Czym tryb Swarm różni się od zwykłego ensemble?

Klasyczny ensemble łączy wyniki kilku modeli po fakcie. Swarm w SID-2 oznacza równoległe uruchamianie wielu instancji agenta wyszukującego, które niezależnie przechodzą przez epizody wyszukiwania, a ich rankingi są następnie agregowane. Efekt to wyższe pokrycie przestrzeni dokumentów.

Jakie dane są potrzebne do integracji z SID-2?

Model nie wymaga przenoszenia danych ani przebudowy indeksów. Wystarczy zaimplementować dwa narzędzia wyszukiwania – słów kluczowych i wektorowe – po stronie własnego backendu. SID-2 korzysta wyłącznie z tego, co te narzędzia zwrócą w trakcie sesji.

Powiązane pojęcia z AI i uczenia maszynowego

  • RAG (Retrieval-Augmented Generation) – architektura łącząca wyszukiwanie dokumentów z generowaniem tekstu przez model językowy, pozwalająca odpowiadać na pytania w oparciu o zewnętrzne bazy wiedzy.
  • NDCG (Normalized Discounted Cumulative Gain) – metryka oceniająca jakość rankingów wyszukiwania, penalizująca umieszczanie trafnych wyników na niskich pozycjach listy.
  • Agentic search – podejście, w którym model samodzielnie planuje i adaptuje kolejne zapytania wyszukiwawcze zamiast wykonywać z góry ustaloną sekwencję kroków.
  • Swarm (rój agentów) – architektura wieloagentowa, w której wiele równoległych instancji modelu wykonuje zadanie niezależnie, a ich wyniki są agregowane w celu poprawy jakości końcowej odpowiedzi.
  • Okno kontekstowe – maksymalna liczba tokenów (fragmentów tekstu), które model może jednocześnie przetworzyć w ramach jednego zapytania.

Opracowanie redakcji IWD Partner z wykorzystaniem narzędzi AI na podstawie materiału: MarkTechPost (18.11.2026).

Zdjęcie: KOBU Agency / Unsplash