Mistral Agentic Search: AI को दस्तावेज़ों में जवाब खोजने के बजाय जांच करने की क्षमता

Agentic Search retrieval को adaptive बनाता है। मॉडल पहले मिले results को अंतिम उत्तर नहीं मानता, बल्कि देखता है कि आगे किस तरह की जांच जरूरी है:

1. Search: संभावित documents या passages खोजना।
2. Open: किसी चुने हुए document को खोलना।
3. Navigate: pages, sections या document structure में आगे-पीछे जाना।
4. Read: relevant content और उसका आसपास का context पढ़ना।
5. Grep: exact शब्दों, phrases, numbers या patterns की जांच करना।

यह प्रक्रिया जरूरत के मुताबिक कई बार दोहराई जा सकती है। नतीजा एक तरह का search-and-verification loop होता है: पहले संभावित उत्तर खोजिए, फिर उसके source को देखिए, संबंधित evidence तलाशिए और अंत में सटीक wording की पुष्टि कीजिए। यह tool-calling architecture Mistral के documented agent pattern से मेल खाता है, जिसमें मॉडल task के बीच external functions को call करता है और उनके results मिलने के बाद आगे reasoning जारी रखता है।

जटिल enterprise documents में यह loop क्यों उपयोगी है?

पहली retrieval कमजोर हो तो मॉडल फिर कोशिश कर सकता है

वन-शॉट RAG का प्रदर्शन शुरुआती query, indexing, chunking strategy और ranking पर बहुत निर्भर करता है। अगर पहली retrieval में अधूरी लेकिन विश्वसनीय दिखने वाली सामग्री आ जाए, तो मॉडल के पास खुद को सुधारने का मौका सीमित रहता है। Iterative agent query को नए तरीके से खोज सकता है, दूसरा document खोल सकता है या पहले result के आसपास के sections देख सकता है।

दस्तावेज़ की संरचना बची रहती है

Financial disclosures और tables को अक्सर headings, page position, footnotes और आसपास के टेक्स्ट के साथ पढ़ना पड़ता है। Flat text chunks इन रिश्तों को छिपा सकते हैं। Navigation और targeted reading मॉडल को document के भीतर आगे बढ़ने देते हैं, बजाय इसके कि हर passage को एक अलग, संदर्भ-विहीन टुकड़ा माना जाए।

exact evidence की जांच संभव होती है

Semantic search संबंधित concepts खोजने में उपयोगी है, लेकिन company names, accounting terms, dates, identifiers और दोहराए गए disclosures के लिए exact matching भी जरूरी हो सकती है। Grep-style operation मॉडल को यह जांचने का अतिरिक्त तरीका देता है कि कोई खास शब्द या pattern corpus में वास्तव में मौजूद है या नहीं। Search, grep, read और document browsing जैसे file-oriented retrieval tools Mistral के बाहर के agentic document systems में भी इस्तेमाल होते हैं।

cross-document सवालों के लिए बेहतर अनुकूल

Enterprise records से जुड़े सवालों में अक्सर कई filings की तुलना करनी पड़ती है—जैसे किसी document में संख्या ढूंढना और दूसरे में उसकी definition या context देखना। Model-led loop एक ही ranking pass पर निर्भर रहने के बजाय discovery और verification के बीच कई बार आ-जा सकता है।

Benchmarks में Mistral ने क्या नतीजे बताए?

Mistral ने कठिन document question-answering tasks पर दो प्रमुख evaluations को सामने रखा है।

FinanceBench: 26.7% से 86% तक

FinanceBench में 368 financial filings शामिल हैं, जिनमें कुल लगभग 53,900 pages हैं। Mistral के अनुसार, Mistral Medium 3.5 की correctness single-pass retrieval के साथ 26.7% थी, जो Agentic Search के साथ बढ़कर 86% हो गई। यह 59.3 percentage points का सुधार है और शुरुआती परिणाम की तुलना में लगभग 3.2 गुना बढ़ोतरी है।

Mistral ने retrieval layer को GLM-5.2 के साथ भी आजमाने की बात कही है। कंपनी के documentation में इसे Z.ai का third-party open-source text model बताया गया है। रिपोर्ट किए गए comparison में GLM-5.2 की correctness single-pass retrieval के 6.3% से बढ़कर Agentic Search के साथ 51.9% हुई।

OfficeQA Pro: 45.6 percentage points का सुधार

OfficeQA Pro में table-heavy और multi-document सवालों के लिए 696 scanned U.S. Treasury Bulletin documents इस्तेमाल किए गए हैं। Mistral की Ina Koleva द्वारा साझा की गई घोषणा के अनुसार, one-shot RAG की तुलना में correctness 6.3% से 51.9% हुई—यानी 45.6 percentage points का सुधार।

ये आंकड़े उत्साहजनक हैं, लेकिन हर deployment में इसी स्तर के नतीजों की गारंटी नहीं देते। Document parsing, OCR quality, chunking, indexing, model selection, prompts, tool limits और evaluation methodology के आधार पर परिणाम बदल सकते हैं। OfficeQA Pro के शोध में भी document representation और parsing का accuracy, latency, tool calls और cost पर महत्वपूर्ण प्रभाव दिखता है।

Enterprise के लिए accuracy ही पूरी कहानी नहीं है

Mistral का कहना है कि Agentic Search highlighted benchmarks पर accuracy सुधारते हुए turns, token use और latency को भी कम करता है। फिर भी multi-step retrieval system को tool calls और document processing के लिए इंतजार करना पड़ता है। FinanceBench के एक secondary analysis में पूरे loop की औसत latency 71 seconds और p90 latency 154 seconds बताई गई है। ये आंकड़े primary Mistral source snippet में नहीं हैं, इसलिए इन्हें उसी संदर्भ में सावधानी से पढ़ना चाहिए।

Production teams के लिए असली सवाल केवल “agentic बनाम non-agentic” नहीं है। उन्हें यह देखना होगा:

• सिस्टम सही evidence कितनी बार खोजता है?
• क्या page, table और citation context लगातार सुरक्षित रहता है?
• औसत और worst-case response time कितना है?
• हर सवाल के लिए कितने tool calls और tokens लगते हैं?
• क्या permissions, indexing, OCR और audit logs workflow में जोड़े जा सकते हैं?
• Document processing और model inference किस infrastructure पर होता है?

Agentic retrieval मॉडल को केवल जरूरी सामग्री पढ़ने देकर बेकार context घटा सकता है। दूसरी ओर, अतिरिक्त reasoning steps latency और cost भी बढ़ा सकते हैं। इसलिए सही architecture task की जटिलता और उसके जोखिम पर निर्भर करेगा।

Mistral Agentic Search कहां उपलब्ध है?

Mistral के अनुसार Agentic Search उसके Search Toolkit और Libraries के जरिए उपलब्ध है। ये दोनों Mistral के व्यापक agent और document-search stack का हिस्सा हैं। Documentation में Libraries को uploaded files खोजने का built-in तरीका बताया गया है, जबकि Agents API ऐसे agents को support करता है जो बातचीत के दौरान tools call कर सकते हैं।

यहां महत्वपूर्ण बात यह है कि Agentic Search को केवल consumer chatbot का feature नहीं, बल्कि retrieval component के रूप में पेश किया जा रहा है। इसलिए इसे किसी broader application, agent या enterprise search pipeline के भीतर जोड़ा जा सकता है।

Model-agnostic design का क्या अर्थ है?

Mistral Medium 3.5 और GLM-5.2 दोनों के साथ किए गए परीक्षण संकेत देते हैं कि यह design किसी एक model तक सीमित नहीं है। अगर retrieval और document-navigation layer अलग-अलग reasoning models के साथ काम कर सके, तो enterprise को model बदलने पर पूरी document workflow फिर से बनाने की जरूरत नहीं पड़ेगी।

यह portability उन संस्थानों के लिए उपयोगी हो सकती है जो capability, price, licensing, deployment location और data controls के बीच संतुलन बना रहे हैं। इससे competitive focus भी बदलता है: केवल final answer बनाने वाला language model ही महत्वपूर्ण नहीं रहता; retrieval layer, document representation, permissions, observability और evidence quality भी उतने ही अहम हो जाते हैं।

फिर भी इस दावे को हर deployment में अलग से परखना होगा। सिद्धांत रूप में model-agnostic system अलग-अलग models पर अलग व्यवहार कर सकता है, क्योंकि tool use की reliability, context handling और reasoning quality मॉडल के अनुसार बदलती है।

Mistral की enterprise और European sovereignty strategy

Agentic Search Mistral की उस कोशिश को मजबूत करता है जिसमें कंपनी केवल standalone model बेचने के बजाय sensitive organizational data पर search और reasoning की portable layer बनना चाहती है। Finance-related materials में permission-aware search और evidence तथा context के साथ answers पर जोर दिया गया है।

यह positioning regulated organizations के लिए खास मायने रखती है, जिन्हें यह नियंत्रित करना होता है कि data कहां process हो और evidence तक किसकी पहुंच हो। Mistral से जुड़ी reporting cloud और controlled infrastructure, जिसमें on-premises-style environments भी शामिल हैं, की deployment flexibility का वर्णन करती है। लेकिन deployment flexibility को हर देश या sector में automatic compliance नहीं समझना चाहिए।

Mistral की infrastructure plans इसी narrative को आगे बढ़ाती हैं। Reuters के अनुसार, Microsoft Mistral के European computing infrastructure पर billions of dollars खर्च करने के agreement में शामिल है और Azure customers France में Mistral data centers का इस्तेमाल कर software बना सकेंगे। European hosting data residency और operational control में मदद कर सकती है, लेकिन Microsoft जैसी partnership यह भी दिखाती है कि “sovereign AI” global cloud और hardware supply chains से पूरी स्वतंत्रता का पर्याय नहीं है।

Funding और valuation का संदर्भ

Agentic Search का launch उस समय आया जब reports में कहा गया कि Mistral लगभग €3 billion जुटाने और करीब €20 billion valuation पर बातचीत कर रही थी। Bloomberg ने इन talks को शुरुआती चरण में बताया था और कहा था कि terms बदल सकती हैं।

यह संभावित valuation सितंबर 2025 की financing के बाद रिपोर्ट की गई €11.7 billion valuation से काफी अधिक होती। हालांकि, reported funding discussion और completed funding round में अंतर है: ये आंकड़े संभावित terms बताते हैं, finalized transaction नहीं।

यह संभावित raise इस बात को भी रेखांकित करता है कि enterprise retrieval और infrastructure रणनीतिक रूप से क्यों महत्वपूर्ण हैं। Frontier AI products के लिए महंगी computing capacity चाहिए, जबकि enterprise customers चाहते हैं कि systems उनके अपने data environments में भरोसेमंद ढंग से चलें। Agentic Search application और retrieval layer को संबोधित करता है; European data centers infrastructure story का एक हिस्सा हैं।

Enterprise market में Mistral की स्थिति

Mistral एक साथ कई मोर्चों पर प्रतिस्पर्धा कर रहा है:

• Traditional enterprise search: Agentic Search ranking और retrieval से आगे बढ़कर model-led investigation का लक्ष्य रखता है—यानी documents की सूची लौटाने के बजाय evidence ढूंढना, पढ़ना और समझाना।
• Basic RAG: इसका मुख्य अंतर pre-chunked text पर single vector या keyword retrieval pass के बजाय iterative retrieval, navigation और verification है।
• Cloud और platform vendors: Mistral composable tooling, model flexibility और European deployment options पर जोर देता है।
• अन्य agentic-search systems: OpenSearch भी ऐसे workflow का वर्णन करता है जिसमें मॉडल retrieval की योजना बनाकर उसे अपने-आप execute करता है। इससे स्पष्ट है कि यह category केवल Mistral तक सीमित नहीं है।

लंबे और structurally difficult documents के लिए benchmark headline Mistral को मजबूत शुरुआत देती है। लेकिन स्थायी बढ़त इस बात पर निर्भर करेगी कि ये gains स्वतंत्र evaluations और वास्तविक production workloads में कितनी बार दोहराए जाते हैं—और क्या Mistral उन्हें स्वीकार्य latency, cost, security और integration complexity पर उपलब्ध करा पाता है।

निष्कर्ष

Mistral Agentic Search का मूल विचार सरल लेकिन महत्वपूर्ण है: retrieval को जवाब देने से पहले की एक छोटी-सी lookup प्रक्रिया नहीं, बल्कि सक्रिय investigation होना चाहिए। Search, document opening, navigation, targeted reading और exact-term matching को जोड़कर यह system मॉडल को जटिल enterprise corpus में evidence खोजने और उसकी पुष्टि करने के अधिक मौके देता है।

Mistral के reported results—FinanceBench पर 26.7% से 86% और OfficeQA Pro पर 45.6 percentage points का सुधार—संकेत देते हैं कि यह design document question answering को काफी बेहतर बना सकता है। लेकिन सावधानी भी उतनी ही जरूरी है: ये vendor-linked benchmark results हैं। Enterprise buyers को अपने data पर latency, cost, permissions, parsing quality और reliability की स्वतंत्र जांच करनी होगी।