O modelo de busca agente SID‑2 chegou ao mercado como a segunda geração da SID AI, trazendo uma abordagem diferente das tradicionais pipelines de Recuperação‑A‑Geração (RAG). Em vez de seguir etapas fixas, ele decide o que buscar a cada passo, lendo resultados e ajustando a próxima consulta. Essa flexibilidade gera respostas mais relevantes e reduz custos.
O que é o SID‑2 e como ele funciona?
SID‑2 é um modelo especializado em pesquisa, não um chatbot genérico. Ele recebe instruções para usar duas ferramentas: text_search (busca por palavras‑chave) e vector_search (busca por semelhança de vetores). Cada vez que encontra documentos, lê o conteúdo e decide se precisa buscar mais. No final, devolve uma lista classificada de IDs de documentos.
Essa dinâmica elimina a necessidade de reindexar dados, pois o modelo só vê o que as ferramentas retornam. Para desenvolvedores, isso significa integrar a API do SID‑2 ao seu backend sem mover ou transformar grandes volumes de informação.
Modo Swarm: múltiplos agentes trabalhando juntos
O SID‑2 Swarm expande a ideia de agente único ao permitir que vários agentes conversem entre si. Cada agente recebe uma fatia do corpus e explora de forma independente. Quando um agente encontra algo relevante, pode criar novos agentes para aprofundar a pesquisa.
Com 12 agentes, o Swarm alcançou 0,720 NDCG, superando modelos como o GPT‑6 Astra. Essa estratégia mostra que ler mais documentos, distribuídos entre agentes, traz mais ganho de qualidade do que aumentar a capacidade de raciocínio de um único modelo.
Esforço de raciocínio e Metric Steering
SID‑2 oferece três níveis de esforço: baixo, médio e alto. Cada nível foi treinado como um especialista e depois combinado por distilação multi‑teacher. O usuário ainda pode escolher a métrica que deseja otimizar – NDCG, F1 ou Recall@k – usando o recurso Metric Steering.
Em testes internos com 506 perguntas, o modelo de alto esforço melhorou entre 0,14 e 0,22 pontos nas métricas escolhidas, comparado ao modelo base.
Treinamento em duas fases com reforço
O treinamento do SID‑2 segue duas etapas. Primeiro, otimiza apenas a qualidade da recuperação. Depois, adiciona uma penalidade de latência multiplicativa, que só afeta recompensas positivas. Essa combinação garante que o modelo seja rápido e preciso.
Um loop de auto‑jogo entre um proponente e um resolvedor gerou consultas difíceis, aumentando a robustez do modelo. O resultado foi um ganho de 6× no throughput de treinamento em relação ao setup padrão da SLIME.
Desempenho em benchmarks reais
SID‑2 foi avaliado em 19 corpora, incluindo documentos da SEC, e‑mails da Enron e artigos da PubMed. Um agente de esforço médio obteve 0,585 NDCG em 3,11 s, enquanto o Swarm de 6 agentes chegou a 0,701 NDCG em 17,7 s. O modelo superou o Claude Opus 5.5 e o GPT‑6 Astra em custo, gastando até 232 vezes menos para alcançar resultados semelhantes.
Nos testes de custo, 1 000 consultas custam US$ 6,54 no SID‑2, contra US$ 2 141,00 no GPT‑6 Astra. Essa diferença faz do modelo uma opção atraente para sites que precisam de buscas rápidas e baratas.
Como integrar o SID‑2 ao seu projeto
A SID AI disponibiliza o modelo via API, Baseten e integração com SageMaker. SDKs oficiais existem para Python, TypeScript e Go, facilitando a adoção em diferentes stacks. O preço base é US$ 0,25 por milhão de tokens de entrada e US$ 1,00 por milhão de tokens de saída; o Swarm tem custo dobrado.
Para quem usa WordPress ou outras plataformas de CMS, basta criar um plugin que encaminhe as consultas para a API, receba os IDs classificados e recupere os documentos do seu próprio índice. Não há necessidade de reindexar, o que simplifica a migração.
Benefícios práticos para negócios no Brasil
Empresas que dependem de buscas internas – como bancos, escritórios de advocacia ou e‑commerces – podem reduzir o tempo de resposta ao cliente, melhorar a taxa de conversão e diminuir custos operacionais. Um exemplo prático: um site de notícias que usa SID‑2 para buscar artigos relacionados em tempo real, oferecendo ao leitor sugestões mais precisas e aumentando o tempo de permanência na página.
Além disso, a capacidade de escolher a métrica de otimização permite alinhar a busca ao objetivo do negócio, seja melhorar a relevância (NDCG) ou garantir que os documentos mais críticos sejam sempre retornados (Recall@k).

Checklist rápido para começar
- Crie uma conta na plataforma SID AI e obtenha a chave de API.
- Instale o SDK adequado ao seu stack (Python, TypeScript ou Go).
- Configure as ferramentas text_search e vector_search apontando para seu índice.
- Defina o nível de esforço e a métrica desejada via parâmetros da chamada.
- Teste com consultas reais e ajuste o número de agentes do Swarm conforme o custo‑benefício.
Conclusão
O modelo de busca agente SID‑2 demonstra que a combinação de agentes autônomos, treinamento por reforço e ajuste de métricas pode superar grandes modelos de linguagem em recuperação de informação. Para quem busca melhorar a experiência de busca no site ou no aplicativo, a solução oferece alta precisão, latência baixa e custos competitivos, tornando‑se uma escolha estratégica para negócios no Brasil.
Fontes consultadas
Conteúdo produzido a partir da fonte citada acima e reescrito em linguagem acessível. As imagens são ilustrativas e geradas por inteligência artificial.



