Exa משיקה את Agent Ultra: נחיל סוכנים שמשווה את עצמו ל-Opus 5.5 ול-GPT-6 במשימות מחקר
Exa השיקה את Agent Ultra, מצב העבודה המעמיק ביותר ב-Exa Agent API. הכלי מתאם צוות של סוכני משנה שסורקים אלפי מקורות כדי לבנות רשימות ולהעשיר נתונים על ישויות. לפי החברה, הוא עקף את Opus 5.5, את GPT-6 Astra ואת Perplexity Agent בארבעה מבחנים.
Exa, שמפתחת כלי חיפוש למערכות AI, השיקה את Agent Ultra. זה מצב העבודה שבו המערכת משקיעה הכי הרבה מאמץ מבין המצבים של Exa Agent API. במקום סוכן יחיד שמחפש ומסכם, Agent Ultra מתאם צוות שלם של סוכני משנה (subagents) שעובדים על פני אלפי מקורות. לפי החברה, התוצאות שלו עוקפות את אלה של Opus 5.5 של אנתרופיק, של GPT-6 Astra של OpenAI ושל Perplexity Agent בארבעה מבחני ביצועים.
בשביל מה צריך נחיל סוכנים
לפי הדיווח ב-MarkTechPost, המוצר מכוון לשני סוגים של משימות: בניית רשימות (list building) והעשרת ישויות (entity enrichment).
כדאי לחשוב על שאלות כמו "כל חברות הסטארט-אפ בתחום מסוים שגייסו כסף בשנה האחרונה" או "כל הספקים שעומדים בדרישה מסוימת". בשאלות כאלה התשובה אינה פסקה אחת אלא רשימה ארוכה, והאתגר הוא לא לפספס פריטים. העשרת ישויות היא השלב הבא: לוקחים רשימה קיימת, של חברות או של אנשים למשל, ומוסיפים לכל פריט מידע שנאסף ממקורות שונים.
כלים רגילים של "מחקר עמוק" נוטים לעצור אחרי כמה עשרות מקורות ולהחזיר סיכום. הגישה של Exa, כפי שהיא מתוארת, מחלקת את העבודה בין סוכני משנה רבים שפועלים במקביל. ככל הנראה המטרה היא לכסות את השטח בצורה ממצה יותר, ולא רק לנסח תשובה משכנעת.
המספרים, ומה הם אומרים
Exa מדווחת ש-Agent Ultra השיג 81.4% soft recall במבחן WANDR. המדד recall (שיעור הכיסוי) בודק כמה מהפריטים שהיו אמורים להופיע ברשימה המערכת באמת מצאה. התוספת "soft" מרמזת ככל הנראה על התאמה גמישה יותר בין התשובות לרשימת הייחוס, למשל כשאותה ישות מופיעה בניסוח קצת שונה. במילים פשוטות: לפי נתוני החברה, המערכת מצאה כארבעה מכל חמישה פריטים שנדרשו.
חשוב לסייג: אלה תוצאות שהחברה עצמה מדווחת עליהן. המקור אינו מפרט את שלושת המבחנים האחרים ולא את תנאי ההשוואה. לכן בשלב זה אי אפשר להעריך עד כמה ההשוואה מול Opus 5.5, GPT-6 Astra ו-Perplexity Agent הוגנת, למשל אם כל המערכות קיבלו תקציב זמן ועלות דומה.
למה זה חשוב
המשמעות העיקרית נוגעת לכיוון שאליו הולך שוק סוכני המחקר. בשנה האחרונה חברות המודלים הגדולות התחרו בעיקר על איכות ההסקה (reasoning) של מודל יחיד. Exa מנסה לבדל את עצמה בציר אחר: ארכיטקטורה של הרבה סוכנים שמתואמים יחד, ומומחיות בחיפוש ובאיסוף נתונים ולא במודל השפה עצמו.
אם התוצאות יחזיקו גם בבדיקות עצמאיות, סביר שנראה עוד חברות שמשלבות צוותי סוכנים במוצרי ה-API שלהן, בייחוד במשימות שבהן לפספס מידע עולה ביוקר: מחקר שוק, בדיקת נאותות (due diligence), גיוס עובדים ומכירות. מנגד, הפעלה של סוכנים רבים על אלפי מקורות צפויה להיות יקרה ואיטית יותר מחיפוש רגיל. לא במקרה Exa מגדירה את Agent Ultra כמצב "המאמץ הגבוה ביותר" ולא כברירת המחדל.