Databricks
於周三推出了全新檢索模型Adaptive Instructed-Retriever（自適應指令檢索器），旨在通過對複雜查詢執行額外處理步驟、對簡單查詢則提前終止處理的方式，改進企業級AI搜索能力，幫助客戶在答案質量、延遲和成本之間實現平衡。
該新模型建立在Databricks此前Instructed-Retriever-1研究成果的基礎之上，但在處理複雜查詢方面採用了不同的方法。
Instructed-Retriever-1使用並行的單步搜索，並結合企業數據架構和自定義指令來提升檢索效果，而Adaptive Instructed-Retriever則可以在需要收集更多證據時，將並行檢索與順序多步搜索結合起來使用。
這一區別十分重要，因為對每一次查詢都執行多步搜索會增加延遲並占用更多計算資源，而將每次查詢都限制為單步搜索，則會影響複雜多跳問題的處理效果。
Databricks表示，Adaptive Instructed-Retriever經過設計，只有在額外步驟可能提升檢索質量時才會執行，這使其能夠在處理簡單請求時更快返回結果。
為實現這一能力，Databricks使用合成企業檢索環境和智能體數據合成流程對模型進行訓練，復用了Instructed-Retriever-1的訓練數據，並加入了專為受益於多步搜索而設計的合成多跳問題。
隨後，該公司使用在線強化學習方法訓練模型，使其能夠權衡額外搜索步驟帶來的檢索質量提升與所付出的成本，對表現優異的搜索路徑給予獎勵，同時對未能帶來相應收益的步驟進行懲罰。
該公司表示，這種訓練方法可以生成模型的多個版本或檢查點，分別對應不同的質量與延遲權衡：其中一個版本對額外搜索步驟的懲罰較低，可以花費更多時間來提升結果質量；另一個版本則對額外步驟施加更高懲罰，以限制搜索步驟、降低延遲。
對於在生產環境中部署該模型的企業客戶而言，這些不同版本或檢查點使檢索性能能夠更貼合不同應用的具體需求，而不必對所有工作負載採用相同的搜索策略，該公司補充道。
分析師表示，隨著企業將AI智能體及其他應用推向生產環境，這種靈活性可能會變得愈發重要，因為提升答案質量往往需要額外的推理、計算和檢索資源，這可能會推高大規模運行這些應用的成本。
HFS Research執行研究負責人阿希什·查圖爾維迪（Ashish Chaturvedi）表示："重複搜索可以改善對複雜問題的回答，但會增加延遲和計算成本；而單次搜索速度更快、成本更低，但在處理較難查詢時效果不佳。因此，判斷何時值得進行額外搜索的能力，有助於企業避免在無法提升答案質量的情況下浪費資源。"
對首席資訊官（CIO）而言，這種限制不必要搜索的能力最終可能帶來對計算消耗和成本更強的可預測性。
查圖爾維迪指出："大規模應用智能體AI的問題在於消耗難以預測，智能體反覆搜索和再搜索會造成累積且難以預測的成本和延遲，而財務團隊最不喜歡這種波動的賬單。知道你的智能體會在設定的上限內進行搜索，並且可以針對每個工作負載設置該上限，這正是讓智能體搜索能夠安全地大規模運行、而非變成失控計費器的關鍵所在。"
查圖爾維迪補充說，如果這款專用模型能夠以更低的延遲實現與更大通用模型相當的檢索質量，那麼其經濟效益將更具吸引力。
據Databricks介紹，在其內部評測中，Adaptive Instructed-Retriever的檢索質量達到或超過了Claude Sonnet 5、GPT-5.6 Luna和DeepSeek-V4-Flash，同時完成請求僅需5.8秒，比這些模型快兩倍以上。
查圖爾維迪表示，這種差異可能具有經濟意義，因為檢索是數據智能體的高頻操作，這可能使企業無需對每次檢索請求都套用更大模型的成本和延遲。
對開發者而言，該模型也帶來了優勢，尤其是在減少編排層面工作量方面。
傳統上，處理複雜多跳問題的開發者通常需要自行設計多輪搜索的控制流程，包括決定何時優化查詢、何時再次搜索、何時停止，但Adaptive Instructed-Retriever所具備的可學習搜索策略將這些決策轉移到了模型內部，可能會減少開發者需要構建和維護的定製化檢索編排工作量，查圖爾維迪表示。
HyperFRAME Research AI技術棧業務負責人史蒂芬妮·沃爾特（Stephanie Walter）也認同這一觀點，她表示，這可能使那些缺乏資源、專業能力和時間從零構建搜索智能體的團隊也能獲得更強大的檢索能力。
不過，分析師也指出，開發者仍需權衡一些取捨因素。
沃爾特表示，雖然該模型的檢查點機制有助於防止單次查詢消耗不可預測的計算資源，但團隊仍需測試和監控不同設置，以確定哪一個設置能為各自的應用或使用場景帶來成本、延遲和檢索質量之間的最佳平衡。
查圖爾維迪也認同這一點，他表示，這反過來又給開發者增加了一層需要管理的性能與成本優化工作。
Moor Strategy and Insights首席分析師邁克·利昂（Mike Leone）表示，這種影響更為突出，因為要選擇合適的模型檢查點，就需要梳理實際業務問題，並記錄清楚答案究竟來自資料庫或其他知識庫中的哪個位置。
利昂補充說："很少有企業開發團隊真正構建過這樣一份精細的清單。實際情況是，大多數團隊很可能只是選定一種設置後就不再更改。"
不過，即便選定了合適的檢查點，Adaptive Instructed-Retriever也無法解決所有影響檢索質量的問題。沃爾特表示，團隊仍然需要準備和整理數據、執行權限管控、評估檢索質量，並核實最終答案的準確性。
利昂也呼應了沃爾特的觀點，他補充說，更智能的搜索策略無法彌補底層數據結構混亂或關鍵術語定義不一致的問題，這意味著即便檢索效率更高，模型仍可能給出錯誤答案。
CIO們還應注意其他一些需要留意的問題。
查圖爾維迪表示，Adaptive Instructed-Retriever所宣稱的性能和質量優勢，是基於Databricks自身設定的基準測試、並與其自行選定的競品進行比較得出的，這意味著這些說法需要在企業實際工作負載中加以驗證，而不能直接照單全收。
然而，即便這些測試結果得到驗證，CIO們仍需權衡：在檢索性能、延遲和成本方面可能獲得的提升，是否足以證明在AI技術棧中新增一個專用模型是值得的。
查圖爾維迪表示，相比之下，使用一個更大的通用模型同時承擔檢索和推理任務，可能是一種更簡單的替代方案，因為這樣可以減少企業需要部署和管理的模型數量。因此，對CIO而言，Adaptive Instructed-Retriever在經濟層面是否划算，將取決於其宣稱的性能能否在真實企業工作負載中得到驗證，以及潛在的成本節省是否能夠超過使用專用模型所帶來的額外複雜性。
Q&A
Q1：Adaptive Instructed-Retriever是什麼？
A：這是Databricks推出的一款新型AI檢索模型，能夠針對複雜查詢執行額外搜索步驟，對簡單查詢則提前結束處理，從而幫助企業在答案質量、延遲和成本之間取得平衡。
Q2：這款模型和之前的Instructed-Retriever-1有什麼區別？
A：Instructed-Retriever-1採用並行單步搜索，而Adaptive Instructed-Retriever可以根據需要，將並行檢索與順序多步搜索結合起來，只在有助於提升質量時才增加搜索步驟。
Q3：企業使用這款模型能帶來哪些好處？
A：該模型可以降低不必要的搜索成本和延遲，提供多個檢查點版本以適配不同應用需求，同時減少開發者構建複雜檢索編排邏輯的工作量。
