Databricks представила Adaptive Instructed-Retriever, поисковую модель, которая выбирает число шагов под запрос. Если найденных свидетельств достаточно, она останавливается. Если вопрос требует сопоставить несколько документов, продолжает поиск в пределах заданного лимита. Разработка предназначена для агентов, ищущих таблицы, блокноты, панели и документы в корпоративном рабочем пространстве.
Модель продолжает Instructed-Retriever-1 с его одношаговым параллельным поиском. Авторы добавили синтетические задачи, требующие нескольких поисковых шагов. При обучении с подкреплением полезный результат поощрялся, а лишние шаги без соответствующего выигрыша получали штраф. Меняя его величину, команда получила версии с разным соотношением скорости и качества.
На семи отложенных для проверки внутренних и внешних наборах Databricks измерила Recall@10: полноту поиска среди первых десяти результатов, где больше — лучше. В многошаговом режиме Adaptive получила 52 по шкале графика, как GPT-5.6 Luna; Claude Sonnet 5 и DeepSeek-V4-Flash получили 51. Среднее время полного поискового цикла составило 5,8 секунды против 12,9–13,5 секунды у альтернатив. Это собственные измерения компании. Полный состав наборов, размеры выборок, оборудование и доверительные интервалы в публикации не раскрыты, поэтому сравнение нельзя переносить на любые поисковые задачи.
Открытые веса или отдельный общедоступный API Adaptive Instructed-Retriever в публикации не объявлены. Databricks связывает разработку с поиском для своих агентов и предлагает клиентам среду AI Runtime для обучения специализированных моделей.
