据MarkTechPost报道，Nace AI发布面向文档检索的Drex for Search，将其Drex决策模型用于搜索环节。该公司称，在搭配GPT-5运行BrowseComp-Plus基准时，系统准确率为92.05%，平均每个问题发起12.6次搜索调用。
Drex for Search被定位为一层检索层，供人和AI代理查找证据，Claude Code、Codex、Cursor、OpenCode等编程代理可通过命令行、SDK、MCP或REST接口调用。该系统为托管式搜索，可检索100万份以上文件，配合GPT-5、Gemini 3.5 Flash或Qwen 27B等模型作答，可运行在Nace托管云、专属云、用户自有AWS或Azure账户，也支持本地及气隙环境。Nace称其在4个公开榜单中的3个排名第一或第二。
Nace AI把搜索拆解为一系列决策，Drex在一次前向计算中对候选选项给出校准后的概率，以压低单步成本。公司批评经典RAG流程为“切块、嵌入、取前k、祈祷”，并称其在三类情况下失效：答案位于第23页的表格中、答案需要跨文件两跳、答案在扫描版PDF内。
在代理内部，流程分为三步：先判断问题只需快速查找还是需要代理读取文档、查询表格；再按文件夹、文件、章节、页面逐层收窄，在表格内细化到表与列，每层只保留可能包含答案的内容；最后只把保留下来的页面和表格送入大模型，答案标注文件与页码。Nace称搜索深度固定，100万份文件与1000份文件的步数相同。
在覆盖美国财政部公报的133题基准OfficeQA Pro上，Nace测试了9组代理与模型组合，称答案正确率提高6%、步骤减少62%、token减少56%、速度提升2.3倍。例如Gemini CLI搭配Gemini 3.1 Pro的准确率从54.9%升至61.7%，代理轮次从22.9降至10.4；Codex搭配GPT-6 sol从66.2%升至70.7%，轮次从14.3降至8.6。
其余基准结果均由Nace AI自行公布，排名依据其标注为2026年10月20日读取的公开榜单。BrowseComp-Plus包含830道多跳问题、约10万份固定网络文档，Drex for Search以92.05%位列86个条目第二，每问题12.61次调用，比唯一排在前面的AI21 Labs方案（95.18%，209.27次调用）少16.6倍；单次通过为87.32%、8.93次调用。VisDocAgentBench要求在2375页arXiv文档中定位1页目标，该系统以Qwen 27B为规划器取得77.5%的R@1，高出自报的Claude Opus 5（67.5%）10个百分点；直接问题、一跳与两跳的R@1分别为97.5%、77.5%和57.5%。MADQA上搭配Gemini 3.5 Flash准确率94.7%，页码归属F1为88.2；EnterpriseRAG-Bench在50万份以上企业内部文档上总分88.22，位列第三，比OpenAI File Search的61.03高27.2分。
工作区支持PDF与扫描件、xlsx、csv、Parquet、mp3、mp4、docx、pptx、md、json和txt，答案注明来源文件及页码、行或分钟；各工作区的索引与知识图谱相互隔离，可邀请成员共享，文件可存放在用户自有S3桶或Azure Blob容器，使用自有存储时可实现零保留。预设领域包括税务、并购、SEC 10-K与合同，也支持自定义。