La nueva Agentic Search de Mistral permite que la IA realmente lea sus documentos
El laboratorio francés de IA lanzó un sistema de recuperación que permite a los modelos abrir, navegar y verificar documentos complejos por sí mismos, triplicando con creces la precisión en un punto de referencia financiero.
Mistral, el laboratorio francés de IA, lanzó una función llamada Búsqueda Agentica el 20 de agosto. Es una nueva forma para que los modelos de IA exploren documentos, tablas, notas a pie de página y todo, antes de responder una pregunta, en lugar de depender exclusivamente del método más antiguo que la mayoría de las herramientas de IA todavía usan.
Ese método más antiguo se llama RAG, generación de recuperación aumentada: el sistema busca en una base de datos fragmentos de texto que parecen relevantes, se los entrega al modelo y espera que la respuesta esté allí. Agentic Search le da al modelo cinco habilidades adicionales: buscar, abrir, navegar, leer y grep (una forma de escanear texto en busca de patrones específicos), lo que le permite comportarse más como una persona que realmente trabaja en un documento: abrir un archivo, verificar una tabla, seguir una referencia a otra sección, refinar su propia consulta si el primer intento no llega. En FinanceBench, un punto de referencia que prueba las respuestas a preguntas en cientos de presentaciones financieras reales de la SEC, Mistral dice que la precisión saltó del 26,7 por ciento con métodos más antiguos al 86 por ciento con Agentic Search. Está disponible ahora a través del kit de herramientas de búsqueda de Mistral para configuraciones personalizadas y está integrado directamente en las bibliotecas dentro de los productos Studio y Vibe de Mistral.
Qué está pasando realmente aquí: cualquiera que haya intentado hacerle a un chatbot de IA una pregunta precisa sobre un PDF largo, un contrato, un informe financiero o un manual técnico, conoce el resultado frustrante: una respuesta que suena segura y que es sutilmente incorrecta porque el modelo solo vio un fragmento del texto relevante. Ese es el modo de falla del mundo real con el que se encuentran constantemente las herramientas basadas en RAG. Permitir que el modelo navegue activamente por un documento, de la misma manera que pasaría a la página 40 porque ahí es donde realmente se encuentran los números que necesita, cierra gran parte de esa brecha. Según se informa, también lo hace de manera más eficiente, con menos cambios de ida y vuelta y menos uso de tokens (los tokens son los fragmentos de texto por los que se facturan los sistemas de IA), lo cual es importante para cualquiera que ejecute esto a escala. Para Mistral, esto también es una oportunidad para seguir siendo relevante en la IA empresarial frente a laboratorios estadounidenses mucho más grandes y mejor financiados, mediante el envío de herramientas prácticas que resuelvan bien un problema específico y común.
Qué significa esto para usted: si usted o su empresa manejan documentos, informes financieros, contratos legales, especificaciones técnicas largos y densos y utilizan herramientas de inteligencia artificial para buscarlos o resumirlos, este es el tipo de mejora que podría reducir significativamente las respuestas alucinadas o incompletas. Para la mayoría de los usuarios ocasionales de chatbot, no será visible directamente, pero es una buena señal de hacia dónde se dirigen generalmente las herramientas de búsqueda de IA: menos “adivinar a partir de un fragmento”, más “buscarlo correctamente”.
Fuentes
La unidad de robots de XPeng acaba de recaudar 900 millones de dólares para su impulso humanoide
La filial de robótica de XPeng, respaldada por Alibaba y Tencent, está valorada ahora en más de 6.300 millones de dólares antes de la producción en masa de su robot humanoide IRON.
