Mistral превращает поиск по корпоративным документам в расследование

Mistral Agentic Search — это слой поиска, который позволяет ИИ исследовать коллекцию документов через несколько последовательных вызовов инструментов, а не отвечать по одной заранее сформированной подборке найденных фрагментов. Модель может найти кандидатов, открыть документ, пройти по его структуре, прочитать нужные страницы и проверить точные слова или шаблоны.

Такой подход особенно важен, когда ответ распределён по длинным финансовым отчётам, отсканированным страницам, таблицам, сноскам или нескольким связанным документам. Mistral сообщает, что на FinanceBench корректность ответов модели Mistral Medium 3.5 выросла с 26,7% до 86% — примерно втрое. Тест проводился на 368 финансовых документах общим объёмом около 53 900 страниц. Это собственная оценка Mistral, поэтому её следует воспринимать как бенчмарк продукта, а не как независимый отраслевой стандарт.

Чем Agentic Search отличается от обычного RAG

В классической системе RAG — retrieval-augmented generation, то есть генерации с дополнением контекстом из внешних данных — сначала выполняется поиск, затем выбираются несколько наиболее релевантных фрагментов, и уже после этого языковая модель формирует ответ. Такой сценарий хорошо работает с прямым вопросом, ответ на который содержится в одном абзаце.

Но одношаговый поиск уязвим, если первая выдача не нашла нужный документ, отделила таблицу от пояснения или вернула цитату без необходимого контекста. В документации Mistral стандартный RAG также описывается как извлечение релевантных фрагментов из загруженной библиотеки документов.

Agentic Search делает поиск адаптивным. Модель может посмотреть на промежуточный результат и решить, какое действие нужно выполнить дальше:

1. Search — найти подходящие документы или фрагменты.
2. Open — открыть выбранный документ.
3. Navigate — перемещаться по страницам, разделам и другим элементам структуры.
4. Read — получить нужное содержимое вместе с окружающим контекстом.
5. Grep — проверить точные слова, фразы, числа или заданные шаблоны.

Затем цикл можно повторить. На практике это превращает поиск в последовательность «найти — проверить — уточнить»: модель обнаруживает вероятный ответ, открывает первоисточник, ищет подтверждение в связанных местах и сверяет формулировки перед финальным выводом. Такой сценарий соответствует описанной Mistral архитектуре агентов, в которой модель вызывает внешние функции, получает их результаты и продолжает рассуждение.

Почему итеративный подход полезен для сложных документов

Система может исправить неудачный первый поиск

Точность одношагового RAG сильно зависит от исходного запроса, разбиения документов на фрагменты, индекса и алгоритма ранжирования. Если первая выдача выглядит правдоподобно, но неполна, модель может так и не увидеть данные, которые позволили бы ей исправить ответ.

Агентный поиск способен переформулировать запрос, открыть другой документ или проверить соседние разделы, вместо того чтобы остановиться на первом подходящем совпадении.

Сохраняется структура документа

Финансовые раскрытия и таблицы часто зависят от заголовков, положения на странице, сносок и соседнего текста. При плоском представлении набора фрагментов эти связи теряются. Навигация и адресное чтение позволяют модели работать с документом как с целым, а не как с набором изолированных абзацев.

Можно проверять точные совпадения

Семантический поиск хорошо находит близкие по смыслу понятия, но для названий компаний, бухгалтерских терминов, дат, идентификаторов и повторяющихся раскрытий важна буквальная проверка. Инструмент в стиле grep дополняет смысловой поиск и помогает выяснить, встречается ли конкретное слово или шаблон в корпусе. Похожие инструменты для работы с файлами — search, grep, read и просмотр дерева документов — применяются и в других агентных системах поиска.

Удобнее отвечать на вопросы по нескольким документам

Корпоративные задачи нередко требуют сравнить несколько отчётов или найти показатель в одном документе, а его определение — в другом. Управляемый моделью цикл может чередовать обнаружение и проверку по всей коллекции, а не полагаться на один проход ранжирования.

Что показывают заявленные тесты

Mistral выделяет две оценки, рассчитанные на сложные задачи поиска ответов в документах.

FinanceBench: с 26,7% до 86%

FinanceBench включает 368 финансовых документов общим объёмом примерно 53 900 страниц. По данным Mistral, Mistral Medium 3.5 показала 26,7% корректности при одношаговом поиске и 86% с Agentic Search. Это прирост на 59,3 процентного пункта, или примерно в 3,2 раза относительно исходного результата.

Mistral также сообщила о тестировании слоя поиска с GLM-5.2 — сторонней текстовой моделью с открытым исходным кодом, согласно документации компании. В приведённом сравнении результат GLM-5.2 вырос с 6,3% при одношаговом поиске до 51,9% с Agentic Search.

OfficeQA Pro: прирост на 45,6 процентного пункта

OfficeQA Pro ориентирован на вопросы по таблицам и нескольким документам. В его состав входят 696 отсканированных бюллетеней Казначейства США. В объявлении Mistral, опубликованном Иной Колевой, сообщается о росте результата с 6,3% до 51,9%, то есть на 45,6 процентного пункта, по сравнению с одношаговым RAG.

Эти цифры выглядят убедительно, но не являются гарантией одинаковой производительности в любой среде. Результат зависит от качества распознавания текста, разбора документов, разбиения на фрагменты, индексации, выбранной модели, промптов, ограничений инструментов и методики оценки. Исследование OfficeQA Pro также показывает, что представление и предварительная обработка документов заметно влияют на точность, задержку, число вызовов инструментов и стоимость.

Точность — только половина задачи для бизнеса

Mistral заявляет, что Agentic Search повышает точность и одновременно сокращает число ходов, расход токенов и задержку на выделенных тестах. Однако многошаговой системе всё равно нужно дождаться последовательных вызовов инструментов и обработки документов.

Вторичный анализ результатов FinanceBench указывает на среднюю задержку около 71 секунды и показатель p90 в 154 секунды для полного цикла. Эти значения не приведены в основном фрагменте первичного источника Mistral, поэтому их следует рассматривать с соответствующей осторожностью.

Для корпоративной команды сравнение должно выглядеть не как «агентный поиск против неагентного», а как набор практических вопросов:

• как часто система находит правильное доказательство;
• сохраняет ли она контекст страницы, таблицы и ссылки на источник;
• каковы среднее и максимальное время ответа;
• сколько вызовов инструментов и токенов требуется для одного запроса;
• можно ли встроить в процесс права доступа, OCR, индексацию и журналы аудита;
• где выполняются обработка документов и инференс модели.

Агентный поиск может экономить контекст, читая только необходимые части документов. Но дополнительные шаги рассуждения способны увеличить задержку и стоимость. Оптимальная архитектура зависит от сложности и цены ошибки в конкретной задаче.

Где доступен Mistral Agentic Search

Mistral сообщает, что Agentic Search доступен через Search Toolkit и Libraries. Эти продукты входят в более широкую экосистему агентных решений и поиска по документам: документация Mistral называет библиотеки документов встроенным способом искать по загруженным файлам, а Agents API поддерживает агентов, вызывающих инструменты во время диалога.

Важно и позиционирование: Agentic Search представлен не только как функция потребительского чат-бота, а как компонент поиска. Поэтому его можно встроить в собственное приложение, корпоративного агента или более крупный конвейер поиска.

Зачем нужен поиск, не привязанный к одной модели

Тестирование с Mistral Medium 3.5 и GLM-5.2 указывает на модельно-независимую архитектуру. Если слой поиска и навигации действительно совместим с разными моделями рассуждения, компании не обязательно перестраивать весь документооборот при каждой смене поставщика или модели.

Такая переносимость важна для организаций, которым приходится балансировать между возможностями, ценой, лицензированием, местом развертывания и требованиями к контролю данных. Конкуренция в этом случае разворачивается не только вокруг самой языковой модели: не менее важны представление документов, права доступа, наблюдаемость системы и качество подтверждений.

При этом модельную независимость нужно проверять в конкретном внедрении. Разные модели могут по-разному использовать инструменты, работать с контекстом и выдерживать многошаговые сценарии.

Как Agentic Search поддерживает стратегию Mistral

Запуск усиливает стремление Mistral продавать не просто отдельные модели, а переносимый слой поиска и рассуждения поверх чувствительных корпоративных данных — от финансовых записей до внутренних баз знаний. В материалах компании по финансовому сектору подчёркиваются поиск с учётом разрешений и ответы с доказательствами и контекстом.

Такое позиционирование рассчитано прежде всего на регулируемые организации, которым важно контролировать место обработки данных и порядок доступа к источникам. В публикациях о Mistral упоминается работа в облачных и контролируемых инфраструктурах, включая локальные варианты развертывания, но гибкость размещения сама по себе не означает автоматического соответствия требованиям любого государства или сектора.

Инфраструктурные планы компании поддерживают ту же идею. Reuters сообщало о соглашении, по которому Microsoft направит миллиарды долларов на европейскую вычислительную инфраструктуру Mistral, а клиенты Azure смогут разрабатывать ПО с использованием дата-центров Mistral во Франции.

Европейское размещение может помочь с требованиями к локализации данных и операционному контролю. Но партнёрство с Microsoft одновременно показывает ограниченность понятия «суверенный ИИ»: европейские дата-центры не означают полной независимости от глобальных облачных, аппаратных и коммерческих цепочек поставок.

Финансовый фон запуска

Запуск состоялся на фоне сообщений о предварительных переговорах Mistral с инвесторами: компания, как сообщалось, могла привлечь около 3 млрд евро при оценке примерно в 20 млрд евро. Bloomberg подчёркивало, что переговоры находятся на ранней стадии и условия могут измениться.

Такая оценка была бы существенно выше 11,7 млрд евро, о которых сообщалось после финансирования Mistral в сентябре 2025 года. Важно различать обсуждение потенциального раунда и закрытую сделку: приведённые суммы описывают возможные условия, а не завершённое привлечение капитала.

Эта история также показывает, почему поиск по корпоративным данным и инфраструктура имеют стратегическое значение. Передовые ИИ-продукты требуют дорогостоящих вычислительных мощностей, а корпоративным клиентам нужны надёжные системы, способные работать с их собственными данными. Agentic Search закрывает прикладной и поисковый уровень, тогда как европейские дата-центры — часть инфраструктурного.

Место Mistral на конкурентном рынке

Mistral одновременно соперничает с несколькими категориями решений:

• Традиционный корпоративный поиск. Agentic Search добавляет к ранжированию исследование, управляемое моделью: система должна не просто показать документы, а найти, изучить и объяснить доказательства.
• Базовый RAG. Главное отличие — итеративный поиск, навигация и проверка вместо одного прохода по векторному или ключевому индексу.
• Облачные платформы и поставщики ИИ. Mistral делает акцент на составных инструментах, гибкости выбора модели и европейских вариантах размещения.
• Другие агентные поисковые системы. OpenSearch также описывает сценарий, в котором модель автоматически планирует и выполняет поиск, поэтому сама категория не ограничивается продуктом Mistral.

Заявленные результаты дают Mistral сильную отправную точку, особенно в работе с длинными и структурно сложными документами. Но устойчивое преимущество будет зависеть от того, подтвердятся ли эти показатели в независимых оценках и реальных производственных сценариях — при приемлемых задержке, стоимости, уровне безопасности и сложности интеграции.

Итог

Главная идея Mistral Agentic Search проста, но важна: поиск должен быть активным расследованием, а не предварительным одноразовым запросом. Связка search, open, navigate, read и grep даёт модели больше возможностей найти и проверить доказательства в сложной корпоративной коллекции документов.

Заявленные Mistral результаты — рост с 26,7% до 86% на FinanceBench и прирост на 45,6 процентного пункта в OfficeQA Pro — показывают, что такая архитектура способна заметно улучшить ответы на вопросы по документам. Но это оценки, связанные с поставщиком, поэтому компаниям всё равно необходимо отдельно измерить задержку, стоимость, качество распознавания, права доступа и надёжность на собственных данных.