Nace AI supera a los buscadores tradicionales con Drex for Search y 92 % de precisión
Nace AI lanza Drex for Search, una capa de recuperación que integra sus modelos de decisión Drex y alcanza un 92,05 % en BrowseComp‑Plus con apenas 12,6 llamadas de búsqueda por pregunta.
Nace AI ha puesto en producción Drex for Search, una capa de recuperación basada en sus modelos de decisión Drex que permite a agentes de código y LLMs localizar evidencia en más de un millón de documentos con apenas 12,6 llamadas de búsqueda por consulta. La solución se ofrece como servicio alojado, en la nube privada del cliente o on‑premise, y se conecta a modelos como GPT‑5, Gemini 3.5 Flash o Qwen 27B.
Arquitectura basada en decisiones y flujo de trabajo
El enfoque de Nace AI trata la búsqueda como una cadena de decisiones. Cada opción recibe una probabilidad calibrada en una única pasada del modelo Drex, lo que mantiene el coste computacional bajo y permite que la capa se invoque en cada paso de un agente.
- Clasificar: antes de iniciar la búsqueda, Drex determina si la pregunta requiere una simple consulta o la intervención de un agente especializado.
- Comprimir (
Squeeze): el algoritmo recorre el espacio de trabajo jerárquico (carpeta → archivo → sección → página) y retiene sólo los nodos que pueden contener la respuesta. En hojas de cálculo, el proceso se afina hasta la tabla y la columna. - Responder: los fragmentos seleccionados se envían al LLM, que genera la respuesta citando archivo y página exactos.
La profundidad de la búsqueda está fijada; por tanto, un repositorio de un millón de archivos requiere el mismo número de pasos que uno de mil archivos, lo que garantiza una escala lineal en tiempo de respuesta.
Rendimiento frente a competidores en benchmarks públicos
Según la propia evaluación de Nace AI, Drex for Search se posiciona entre los dos primeros puestos en tres de los cuatro leaderboards públicos disponibles. En el benchmark BrowseComp‑Plus con GPT‑5, obtuvo un 92,05 % de precisión usando 12,6 llamadas de búsqueda por pregunta.
En la prueba VisDocAgentBench alcanzó un 77,5 % de recall @1, superando a Claude Opus 5 por diez puntos (67,5 %).
| Harness | Modelo | Exactitud base | Exactitud con Drex | Turnos base | Turnos con Drex |
|---|---|---|---|---|---|
| Gemini CLI | Gemini 3.1 Pro | 54.9 % | 61.7 % | 22.9 | 10.4 |
| Codex | GPT‑6 sol | 66.2 % | 70.7 % | 14.3 | 8.6 |
| Hermes Agent | Opus 5.5 | 64.3 % | 68.4 % | 8.5 | 3.7 |
| Claude Code | Opus 5.5 | 66.5 % | 69.9 % | 18.5 | 9.1 |
Impacto concreto en agentes de programación
En la batería de pruebas OfficeQA Pro (133 preguntas basadas en los Boletines del Tesoro de EE. UU.), Drex for Search mejoró la precisión media en un 6 % y redujo la complejidad operativa: los agentes ejecutaron un 62 % menos de pasos, consumieron un 56 % menos de tokens y completaron las consultas 2,3 × más rápido.
Los resultados se observaron en combinaciones de agentes y modelos como Gemini CLI / Gemini 3.1 Pro, Codex / GPT‑6 sol, Hermes Agent / Opus 5.5 y OpenCode / Qwen 3.8‑27B.
Qué significa Drex for Search para desarrolladores e infraestructuras
Para los equipos que construyen pipelines RAG, la capa de decisión permite sustituir la lógica ad‑hoc de filtrado por una evaluación probabilística unificada. El hecho de que el proceso sea independiente del número total de archivos simplifica la planificación de recursos: una instalación on‑premise con 12 GB de RAM y una GPU de gama media es suficiente para ejecutar la versión alojada en la nube de Nace.
Además, la compatibilidad con CLI, SDK, MCP y REST facilita la integración en entornos CI/CD y en agentes de código como Claude Code, Codex o OpenCode. La capacidad de operar en entornos aéreos (air‑gapped) abre la puerta a usos en sectores regulados donde la conectividad externa está prohibida.
Drex for Search representa un paso significativo hacia la reducción de la fricción entre recuperación de información y generación de texto, ofreciendo una solución que combina precisión, velocidad y escalabilidad sin requerir hardware especializado.