在人工智能领域，一场关于文档搜索技术的革新正在悄然发生。Neon与Castform两家科技公司携手合作，通过强化学习技术后训练出一款仅拥有40亿参数的开源模型，该模型在文档搜索任务中的表现不仅不逊色于当前备受瞩目的GPT-5.6Sol，甚至在某些指标上实现了超越，同时其单次推理成本却仅为后者的百分之一左右，这一成果引发了业界的广泛关注。
传统文档检索主要依赖嵌入式搜索技术，即将文档内容转化为数值向量，通过计算向量间的相似度来匹配搜索结果。然而，随着AI智能体技术的兴起，搜索方式正经历着从嵌入式向智能体式的转变。智能体式搜索允许模型将复杂问题拆解为多个子问题，自主规划搜索路径、评估结果，并基于反馈进行下一轮搜索，直至获取完整信息。这种模式虽能处理更复杂的查询，但每次搜索均需调用高性能模型，导致耗时与成本显著增加。以GPT-5.6Sol为例，其单次搜索请求耗时超过10秒，成本约0.03美元，这在需要多轮检索的场景中显得尤为低效。
Neon与Castform的合作正是针对这一痛点展开。Neon负责提供文档存储与搜索基础设施，而Castform则专注于训练模型以优化搜索策略，即判断“何时该发起搜索”以及“如何精准搜索”。训练过程中，Castform采用强化学习框架，让模型通过不断试错完成任务，系统根据结果质量（包括答案准确性、文档匹配度、段落引用合理性等维度）进行评分，并将评分反馈至下一轮训练。经过多轮迭代，最终训练出的模型在Neon的验证测试中取得了平均1.447的评估分数，不仅超越了GPT-5.6Sol的1.369，也优于作为对照的GPT-5.4的1.377，刷新了该验证集的历史纪录。
成本优势是这一合作成果的另一大亮点。尽管在搜索精度上实现了对GPT-5.6Sol的赶超，但40亿参数的小模型单次推理成本仅为0.000929美元，而GPT-5.6Sol则高达0.087338美元，两者相差近94倍。对于依赖多轮模型调用的智能体应用而言，这种成本差异意味着整体计算开销的指数级下降，从而彻底改变了单位成本结构。例如，在需要多次检索的复杂任务中，使用新模型可显著降低总成本，同时保持甚至提升搜索质量，为AI智能体的规模化应用提供了经济可行的解决方案。
