Die neue Agentensuche von Mistral ermöglicht es der KI, Ihre Dokumente tatsächlich zu lesen
Das französische KI-Labor hat ein Abrufsystem eingeführt, das es Modellen ermöglicht, komplexe Dokumente selbst zu öffnen, zu navigieren und zu überprüfen, wodurch die Genauigkeit im Vergleich zu einem Finanz-Benchmark mehr als verdreifacht wird.
Mistral, das französische KI-Labor, hat am 20. August eine Funktion namens Agentic Search eingeführt. Es ist eine neue Möglichkeit für KI-Modelle, Dokumente, Tabellen, Fußnoten usw. zu durchsuchen, bevor sie eine Frage beantworten, anstatt sich ausschließlich auf die ältere Methode zu verlassen, die die meisten KI-Tools immer noch verwenden.
Diese ältere Methode heißt RAG, Retrieval-Augmented Generation: Das System durchsucht eine Datenbank nach Textblöcken, die relevant erscheinen, übergibt sie an das Modell und hofft, dass die Antwort darin enthalten ist. Agentic Search verleiht dem Modell stattdessen fünf zusätzliche Fähigkeiten: Suchen, Öffnen, Navigieren, Lesen und Grep (eine Möglichkeit, Text nach bestimmten Mustern zu durchsuchen), wodurch es sich eher wie eine Person verhält, die tatsächlich ein Dokument durcharbeitet: Öffnen einer Datei, Überprüfen einer Tabelle, Verfolgen eines Verweises auf einen anderen Abschnitt, Verfeinern der eigenen Abfrage, wenn der erste Versuch scheitert. Auf FinanceBench, einem Benchmark, der die Beantwortung von Fragen anhand von Hunderten von echten SEC-Finanzunterlagen testet, ist die Genauigkeit laut Mistral von 26,7 Prozent bei älteren Methoden auf 86 Prozent bei Agentic Search gestiegen. Es ist ab sofort über das Search Toolkit von Mistral für benutzerdefinierte Setups verfügbar und direkt in die Bibliotheken der Studio- und Vibe-Produkte von Mistral integriert.
Was hier eigentlich vor sich geht: Jeder, der versucht hat, einem KI-Chatbot eine präzise Frage zu einem langen PDF, einem Vertrag, einem Finanzbericht oder einem technischen Handbuch zu stellen, kennt das frustrierende Ergebnis: eine selbstbewusst klingende Antwort, die auf subtile Weise falsch ist, weil das Modell nur ein Fragment des relevanten Textes gesehen hat. Das ist der reale Fehlermodus, auf den RAG-basierte Tools ständig stoßen. Wenn Sie das Modell aktiv durch ein Dokument navigieren lassen, so wie Sie auf Seite 40 blättern würden, weil dort die benötigten Zahlen tatsächlich stehen, wird ein Großteil dieser Lücke geschlossen. Berichten zufolge geschieht dies auch effizienter, es gibt weniger Hin- und Herbewegungen und weniger Token-Nutzung (Tokens sind die Textblöcke, nach denen KI-Systeme abgerechnet werden), was für jeden, der dies in großem Maßstab betreibt, von Bedeutung ist. Für Mistral ist dies auch ein Versuch, im Bereich der Unternehmens-KI gegenüber viel größeren, besser finanzierten US-Laboren relevant zu bleiben, indem praktische Tools bereitgestellt werden, die ein bestimmtes, häufiges Problem gut lösen.
Was das für Sie bedeutet: Wenn Sie oder Ihr Unternehmen mit langen, dichten Dokumenten, Finanzberichten, rechtlichen Verträgen und technischen Spezifikationen arbeiten und KI-Tools verwenden, um diese zu durchsuchen oder zusammenzufassen, ist dies die Art von Verbesserung, die halluzinierte oder unvollständige Antworten erheblich reduzieren könnte. Für die meisten gelegentlichen Chatbot-Benutzer wird es nicht direkt sichtbar sein, aber es ist ein gutes Zeichen dafür, wohin sich KI-Suchtools im Allgemeinen entwickeln: weniger „Raten Sie anhand eines Fragments“, sondern eher „suchen Sie es tatsächlich richtig nach“.
Quellen
Die Robotereinheit von XPeng hat gerade 900 Millionen US-Dollar für ihren humanoiden Vorstoß gesammelt
XPengs Robotik-Tochtergesellschaft, die von Alibaba und Tencent unterstützt wird, wird jetzt vor der Massenproduktion seines humanoiden Roboters IRON auf über 6,3 Milliarden US-Dollar geschätzt.
