[控场AI]
· 5 分钟阅读· 2,810 字

SID-2智能体搜索模型发布:12智能体集群达0.720 NDCG

SID-2智能体搜索模型发布:12智能体集群达0.720 NDCG

SID AI 发布强化学习驱动的智能体搜索模型 SID-2,集群模式达 0.720 NDCG。

SID AI 发布用强化学习训练的智能体搜索模型 SID-2,单智能体 3.11 秒达到 0.585 NDCG,12 智能体组成的 Swarm 集群提升至 0.720 NDCG,按 SID 自建基准高于 GPT-6 Astra。文章拆解了这一成绩的读法:强化学习适合搜索这种多步序列决策,能让模型学会何时停止、何时改写查询;多智能体通过查询改写分工和交叉验证降低单点偏差。但 0.720 的领先仅限厂商自建基准,缺少统一评测协议、集群延迟与成本数据,且 12 打 1 的对比存在公平性问题。目前只有单智能体配置具备直接评估条件,集群模式更接近能力演示,距离生产可用仍需验证。

SID AI 发布了 SID-2,一个用强化学习训练出来的智能体搜索(agentic search)模型。它的核心卖点很直接:单智能体在 3.11 秒内跑到 0.585 NDCG,而 12 个智能体组成的 SID-2 Swarm 集群把成绩推到 0.720 NDCG——按 SID 自己的基准测试,这个数字高于 GPT-6 Astra。

SID AI 发布 SID-2 智能体搜索模型

从单智能体到集群:SID-2 的两档性能

SID-2 的评测方式值得拆开看。单智能体模式下,它强调的是「速度与精度的平衡」:3.11 秒完成一次搜索推理,NDCG 达到 0.585。NDCG 是衡量排序质量的指标,数值越接近 1 说明检索结果的相关性排序越理想。0.585 在智能体搜索这个细分场景里不算低,但真正的看点在于集群模式。

SID-2 Swarm 用 12 个智能体并行协作,最终把 NDCG 拉到 0.720。从 0.585 到 0.720 的提升幅度相当可观,说明多智能体之间的分工或投票机制确实带来了排序质量的实质改善,而不是简单的算力堆叠。代价也显而易见——12 个智能体的推理成本和时间开销显然高于单智能体,SID 只给出了单智能体的 3.11 秒延迟,集群模式的耗时并未披露。

NDCG(Normalized Discounted Cumulative Gain,归一化折损累计增益)是信息检索领域评估排序质量的标准指标之一。它的基本思想是:越是相关的结果排得越靠前,得分越高;同时用对数折损因子惩罚将相关文档排在后面的情况,并用理想排序下的最高分做归一化,使不同查询之间的分数可以横向比较。NDCG 的取值范围通常在 0 到 1 之间,1 表示排序与理想排序完全一致。业界常用 NDCG@10 或 NDCG@100 表示只看前 10 或前 100 条结果的版本。需要注意的是,NDCG 的绝对值高度依赖相关性标注的粒度和查询集难度,不同测试集之间的 NDCG 不能直接比较,这也是后文强调自建基准需谨慎解读的技术原因。

强化学习训练的智能体搜索是怎么回事

传统搜索排序模型大多走监督学习路线,靠标注好的相关性数据来拟合排序函数。SID-2 用的是强化学习训练,这意味着模型在训练过程中通过与环境交互、根据反馈信号来优化搜索策略,而不是单纯模仿标注样本。

这种路线在智能体搜索里越来越常见,原因在于搜索本身是一个多步决策过程:先理解查询、再决定检索什么、然后判断结果够不够、不够就继续检索或改写查询。强化学习天然适合这种序列决策问题,它能让模型学会「什么时候该停」「什么时候该换个角度搜」这类策略性行为,而不只是给单个文档打分。

SID 没有在发布信息里透露奖励函数的设计细节、训练数据规模或基座模型,这些恰恰是判断该方法可复现性的关键信息。

智能体搜索(agentic search)与传统的单轮检索排序有明显区别:模型不再是一次性对候选文档打分,而是像人一样进行多轮交互——生成查询、调用检索工具、阅读返回结果、判断信息是否充分,必要时改写查询或发起新的检索。整个流程可以建模为马尔可夫决策过程,状态是当前已获得的信息和对话上下文,动作包括检索、改写、停止等,奖励则来自最终答案或排序的质量。强化学习中的策略梯度方法(如 PPO、GRPO 等)正是为这类序列决策设计的,它通过采样多条搜索轨迹并根据奖励调整策略,让模型逐步学会高效的搜索行为。相较监督学习需要标注每一步的最优动作,强化学习只需定义最终奖励,更适合搜索这种中间步骤难以标注的任务。

0.720 NDCG 对比 GPT-6 Astra:需要谨慎看待

原文明确提到,SID-2 Swarm 的 0.720 NDCG 高于 GPT-6 Astra 在 SID 基准上的表现。这是一个有传播力的对比,但解读时需要保持克制。

「SID 自己的基准测试」这个限定词很重要。厂商自建基准通常针对自家模型的能力特点设计,与公开的第三方评测(如检索领域的标准数据集)未必可比。GPT-6 Astra 在这里是被测对象之一,但它的调用配置、提示词设计、是否开启了检索工具等条件都没有公开。跨模型对比如果缺少统一的评测协议,数字上的领先只能作为参考,不能当作定论。

集群模式本身也带来公平性问题:12 个智能体的集成效果对比单模型单次推理,本质上是「多打一」。更合理的对比应该是同等推理预算下的表现,而这类信息目前缺失。

多智能体集群为什么可能提升搜索质量

抛开基准数字,SID-2 Swarm 的设计思路值得单独讨论。多智能体做搜索的常见协作方式包括:不同智能体负责不同的查询改写方向、分别检索后对结果做交叉验证、或者对候选文档进行多轮独立评分再聚合。

这类架构的优势在于降低单点判断的偏差——一个智能体可能漏掉某个相关文档,多个智能体从不同角度检索后,召回率和排序稳定性都有机会提升。SID-2 从单智能体 0.585 到集群 0.720 的跃升,某种程度上印证了这种互补效应。

但多智能体系统也有老问题:通信开销、结果聚合时的冲突消解、以及整体延迟的不可控。对于搜索这种对响应时间敏感的场景,12 个智能体的集群能否在可接受的延迟内返回结果,是决定它能否落地的关键,而这恰恰是发布信息里最模糊的部分。

多智能体系统(Multi-Agent System)在搜索场景中通常采用几种经典协作范式:一是角色分工,不同智能体被赋予查询改写、证据检索、事实核查等不同职责;二是并行采样,多个智能体独立完成同一任务后对结果做集成聚合,类似集成学习中的投票或平均;三是辩论式协作,智能体之间相互质疑并修正结论。这些范式的共同理论基础是「多样性带来鲁棒性」——单个模型的判断偏差可以通过多个独立视角的聚合被部分抵消。不过多智能体系统也面临共识达成、通信带宽、错误传播等工程难题,尤其是在需要低延迟的在线搜索场景中,如何设计轻量级的聚合机制是核心挑战。

实际应用还需要回答的问题

SID-2 展示的方向是清晰的:强化学习训练 + 多智能体协作,试图在搜索质量上做出差异化。从数据看,集群模式确实把 NDCG 推到了 0.720 这个相对高的水平。

不过,一个搜索模型的价值最终要看它在真实查询分布上的表现,而不是基准分数。SID 目前披露的信息里,缺少延迟与成本的完整画像、缺少与公开基准的对照、也缺少集群模式在长尾查询上的稳定性数据。对于考虑接入的开发者来说,单智能体的 3.11 秒延迟和 0.585 NDCG 是目前唯一可以直接评估的配置;集群模式更像是一个展示能力上限的演示,距离生产可用还有一段距离需要验证。

#SID-2#智能体搜索#agentic search#多智能体集群#NDCG#强化学习#GPT-6 Astra
分享:

相关推荐