据SiliconANGLE报道，Databricks公司9月9日宣布扩展其Adaptive Instructed-Retriever检索模型，以加快人工智能代理处理需要多轮检索的请求时的响应速度。
该公司表示，该模型是其Genie Code、Genie One和Genie Agents产品的检索构建模块，在多项内部及外部基准测试中，其检索质量与多款领先第三方及开源模型相当，而响应速度是Anthropic的Claude Sonnet 5、OpenAI的GPT-5.6 Luna以及深势科技（注：原文为Hangzhou DeepSeek Artificial Intelligence Co. Ltd.，即杭州深度求索公司）V4-Flash的两倍。这些结果来自七个涵盖不同领域和搜索难度的保留测试集。
Adaptive Instructed-Retriever基于今年早些时候发布的Instructed-Retriever-1模型。此前的模型通过携带用户指令、示例和数据源模式改进传统检索增强生成（RAG），Databricks曾报告该架构在企业问答测试中性能比传统RAG提升超70%。旧模型执行并行单步搜索，对许多常规请求已足够快，而新模型针对需要从多个来源获取证据或依赖先前结论的问题设计。这类查询通常要求代理在收集证据时逐步调整检索，每增加一步都会提升响应时间和计算成本。
新模型尝试动态管理这种权衡。开发者设定最大连续搜索步数，模型自行判断每个请求需要多少步；当它认为现有证据已充分时便停止，若预判新一轮搜索可能改善答案则继续搜索。该方案面向需要在大型且不断变化的工作空间中定位信息的数据代理，旨在让简单查找快速返回，更复杂的发现任务可消耗更多时间和成本。Databricks在一份说明中称，目标是让搜索更智能，以便无需在蛮力探索上浪费轮次即可找到信息。
训练方面，Databricks使用合成企业检索环境与多跳问题，并复用Instructed-Retriever-1的数据以保留单步能力，随后应用基于裁剪重要性采样策略优化的在线强化学习。奖励机制倾向于奖励准确的搜索轨迹，同时惩罚未带来相应质量提升的额外步骤。该公司称，调整该惩罚的权重可产生一系列位于不同质量-延迟曲线位置的模型检查点；惩罚较重会使模型减少步数以更快作答，惩罚较轻则允许更多搜索以获得更高检索质量。客户可根据交互应用或较慢离线工作负载的不同需求选择不同检查点。
Databricks描述的一项测试显示，Adaptive Instructed-Retriever用两个搜索步数即验证了一家公司未在2022财年损益表中明确列出重组成本，而Claude Sonnet 5达到相同的召回分数需要三步，GPT-5.6 Luna需要四步。需要指出，上述对比基于Databricks自身测试并包含专有基准，其说法尚未经过独立验证。公司在该公告中未披露模型的参数量、定价或正式上市时间。
该模型使用Databricks AI Runtime训练，客户也可用该运行时针对自身数据和性能要求定制模型。Databricks表示，更小、更面向任务的模型可以通过学习如何搜索以及何时值得等待继续搜索，与前沿系统竞争。