Nace AI lança Drex for Search para turbinar buscas em IA

Inteligência Artificial

Nova ferramenta da Nace AI otimiza buscas com maior velocidade, precisão e economia para grandes volumes de dados.

Leia também: Android Auto download: como jogar games do celular no carro hoje

A Nace AI lançou nesta semana o Drex for Search, uma camada de recuperação que leva seus modelos de decisão Drex para buscas em grandes volumes de documentos, reduzindo custo computacional por pergunta e elevando a precisão de agentes de IA usados em tarefas complexas de pesquisa e codificação.

Como funciona o Drex for Search

O Drex for Search enquadra a busca como uma série de decisões. Em vez de percorrer pilhas de documentos em várias rodadas de tentativa e erro, os modelos Drex avaliam, em uma única passada, as opções disponíveis e atribuem a cada uma uma probabilidade calibrada de ser a melhor escolha.

“Drex scores given options with a calibrated probability each, in 1 forward pass. That makes it cheap enough for every agent step.”, resume a Nace AI em sua apresentação. Na prática, isso permite que agentes de IA consultem a ferramenta a cada etapa do raciocínio, sem que o custo exploda.

A solução está disponível no Nace API Console e pode ser acessada com uma única chave por quatro caminhos: linha de comando (CLI), SDKs, MCP e REST. A arquitetura é pensada para encaixar direto em fluxos já usados por desenvolvedores.

Foco em superar o RAG clássico

O alvo declarado da Nace AI são os métodos tradicionais de busca baseados em RAG, o esquema “quebrar em pedaços, gerar vetores, buscar top-k e torcer” usado hoje em muitos sistemas corporativos. A empresa argumenta que esse pipeline perde desempenho quando a base cresce e quando as perguntas exigem múltiplos passos de raciocínio.

No Drex for Search, a profundidade da busca é fixa: o número de passos necessários para navegar por um milhão de arquivos é o mesmo para mil arquivos. Isso é possível justamente porque o modelo decide, em cada etapa, onde vale ou não vale a pena olhar, em vez de ampliar indefinidamente o escopo da busca.

Quais são os resultados em benchmarks

Nos testes internos divulgados pela Nace AI, o Drex for Search aparece com ganhos relevantes de acurácia, velocidade e uso de recursos em diferentes cenários de pesquisa.

No benchmark BrowseComp-Plus, que faz 830 perguntas de múltiplos passos sobre cerca de 100 mil documentos web, o sistema atingiu 92,05% de acurácia usando GPT-5, com média de 12,6 chamadas de busca por pergunta.

Em outro teste, com 9 combinações de agentes e modelos no OfficeQA Pro, que reúne 133 perguntas sobre boletins do Tesouro dos EUA, os números divulgados são: “6% mais respostas corretas, 62% menos passos, 56% menos tokens, and 2.3x faster.”, segundo a Nace AI.

No VisDocAgentBench, em que o agente precisa encontrar uma página-alvo entre 2.375 páginas do arXiv, o Drex for Search marcou 77,5% de R@1 usando o planejador aberto Qwen 27B. A própria Nace compara o resultado ao melhor agente publicado até então: “Drex for Search scores 77,5% R@1 with an open-weight Qwen 27B planner. The best published agent, Claude Opus 5, scores 67,5%.”

No MADQA, conjunto com mais de 800 PDFs em que o agente deve responder perguntas e citar as páginas usadas, a Nace relata 94,7% de precisão com Gemini 3.5 Flash e F1 de atribuição de página de 88,2. “Nace reports 94,7% accuracy with Gemini 3.5 Flash and a page-attribution F1 of 88.2.”, afirma a empresa. O esforço calibrado (Kuiper) informado é de 6,66, e com Qwen 27B aberto a precisão chega a 93,4%.

Já no EnterpriseRAG-Bench, que avalia buscas sobre mais de 500 mil documentos internos de empresas, o Drex for Search obteve 88,22 pontos. A Nace destaca que isso representa “overall score of 88.22, which it ranks #3. That is 27.2 points above OpenAI File Search (61.03).”

Entenda o contexto

A corrida por ferramentas de busca mais eficientes virou peça central na nova geração de agentes de IA, que precisam encontrar, cruzar e citar informações em bases cada vez maiores — de documentos jurídicos a relatórios financeiros, passando por bases técnicas de empresas de tecnologia e órgãos públicos.

Modelos generativos mais avançados, por si só, não resolvem o problema se a etapa de recuperação de dados continuar lenta, cara ou imprecisa. A aposta da Nace AI é que uma camada de decisão especializada, como o Drex for Search, pode funcionar como um “orquestrador” de buscas, alimentando esses modelos com o contexto certo, no momento certo, com menos chamadas e menos tokens.

Impacto para agentes de codificação e pesquisa

O Drex for Search já é chamado por agentes de codificação como Claude Code, Codex, Cursor e OpenCode, que usam a camada de busca para localizar trechos relevantes de código, documentação técnica e exemplos antes de gerar respostas ou sugestões de implementação.

Com a redução no número de passos e no volume de tokens consumidos, plataformas desse tipo ganham espaço para oferecer respostas mais rápidas e detalhadas usando o mesmo orçamento computacional — ou manter o nível atual de serviço com custos menores, algo sensível em escala.

Para setores que lidam com grandes repositórios documentais, como instituições financeiras, escritórios de advocacia, órgãos governamentais e grandes empresas de tecnologia, a promessa é de fluxos de análise mais ágeis e auditáveis: respostas com melhor acurácia, menor latência e citações mais confiáveis das fontes consultadas.

Além do ganho direto de performance, a chegada do Drex for Search aumenta a pressão sobre concorrentes que ainda dependem de arquiteturas de RAG tradicionais. Para acompanhar, esses players terão de investir em camadas de decisão mais inteligentes ou em arquiteturas alternativas de recuperação.

Próximos passos e visão de mercado

Ao disponibilizar o Drex for Search via API com múltiplas interfaces, a Nace AI tenta reduzir a barreira de entrada para desenvolvedores e empresas que querem testar a tecnologia em cenários reais, dos sandboxes de pesquisa acadêmica a ambientes corporativos críticos.

A expectativa no mercado é que a empresa siga ajustando o sistema com base no uso em produção, ampliando compatibilidade com diferentes agentes e modelos e refinando métricas como calibração de esforço e atribuição de fontes.

Do lado da comunidade de IA aplicada, o CEO da Marktechpost AI Media Inc., Asif Razzaq, vem destacando a relevância de inovações desse tipo para que a inteligência artificial gere impacto social positivo, ao tornar decisões baseadas em dados mais rápidas, transparentes e acessíveis para um público amplo.