トースト 1：初の特化型検索エージェントを一般公開

エージェントへの導入背景と特長

• 特化型検索エージェントとしての位置づけ
  • 当社の第一号となる特化型検索エージェントです。
  • 本日、正式に一般公開されました。
• パフォーマンスとコストの革新
  • 検索品質：最前線の検索品質を実現し、Claude Opus 5 および GPT-5.6 Sol に匹敵する、あるいはそれを超える性能を発揮します。
  • コスト削減：最大 10 分の 1のコストで動作可能に。
  • 速度向上：処理速度は最大 12 倍の高速化を達成しました。
• バックエンドの柔軟性
  • Mixedbread Search と組み合わせることで特に高い性能を発揮します。
  • 一方で、他のどの検索バックエンドでも動作可能です。

なぜ今、「特化型エージェント」が必要なのか？

• フロントリ어나モデルの限界と課題
  • 複雑なドキュメントコレクション内で推論や分析を行い、情報を発見できる能力を持っています。
  • しかし、これらはスタック内で最も高価なモデルでもあります。
• コストと性能の両立
  • 知能が段階的に課金される環境において、高い能力を維持しつつもコストを大幅に削減する必要があります。
  • これを実現できる特化型エージェントに対するニーズはかつてないほど大きくなっています。

トースト 1 の動作原理：カスケード検索ループ

• 独立した機能とサブエージェントとしての役割
  • 単独で動作する特化型取得エージェントとして実行できます。
  • また、信頼できるフロントリ어나モデルの一人（サブエージェント）としても機能します。
• 検索ループ全体を自律的に制御
  1. 初期クエリの受領
  2. サブクエリへの分解
  3. 証拠の収集
  4. ソースの検証
  5. 関連文脈の整理
  6. 最終結果の返却
• 汎用性とリソース集中
  • エージェント全体が推論、行動、回答生成に注力できるため、コンテキストウィンドウと計算資源を最大限活用できます。

実演：雇用率比較クエリのケーススタディ

• カスケード（ウォーターフォール）トレースの結果
  • クエリ：「雇用率比較」
  • ツールコール回数：16 回（3 ラウンド）
  • 処理時間：わずか 5 秒以上で回答完了。
• 詳細な制御可能性
  • ステップを展開することで、生成されたサブクエリや grep パターン、立案された計画を確認できます。

実証ベンチマーク：OfficeQA Pro V2（金融分析）

Databricks の OfficeQA Pro V2 で、複雑な企業金融シナリオにおける回答正確性を検証。

「GPT-5.6 Sol + トースト 1」構成の成果

• 最高スコアの達成
  • Databricks が評価したシステムの中で**最も高いスコア（回答正確性 70%）**を記録。
  • 品質と効率性の両面で、新たな**ステート・オブ・ザ・アート（最上位性能）**を確立しました。
• コストパフォーマンス
  • タスクあたりのコストは約 $1.15 です。
  • GPT-5.6 Sol が主モデルで動作し、トースト 1 をサブエージェントとして採用する構成が、従来のパレートフロンティア（Claude Fable 5 のライン：約 $4 で 60%）を大幅に上回っています。

比較対照

• 従来最高性能：Databricks Genie 上で動作する Claude Fable 5（約 $4/タスク、正確性 60%）。
• トースト 1 を使用しない場合：GPT-5.6 Sol のみで 33% の正確性に留まりました。

向上の理由：証拠収集の経済構造再定義

• トースト 1 の特化能力により、高品質かつトークン効率的な証拠パッケージを生産できます。
• これにより、推論プロセスに十分な資源を残しつつ、最終回答へ到達できる環境が整いました。

実証ベンチマーク：Firm Knowledge（法務エージェント）

Harvey LAB の「Law Firm Knowledge」ベンチマークで、機関独自の法的知識を検索・活用できるかを検証。

法的作業の課題

• 文脈の重要性：関連判例や詳細な情報へのアクセスが必須です。
• ノイズ処理：多数の誤検知（False Positives）を伴わずに高品質な証拠パッケージを集めるのは極めて困難です。

トークン使用量削減の劇的な改善

ランダム選択の 33 タスクにおいて、同一タスクスコア（55 点）での比較結果です。

• バナナ（標準）エージェント
  • タスクあたり：21.7 トルン（Total: 8060 万トークン）
• Mixedbread Search 追加
  • 削減率：42%
  • タスクあたり：14.6 トルン（Total: 4700 万トークン）
• トースト 1 サブエージェント追加
  • 削減率：さらに51%（累積削減は約 83%）
  • タスクあたり：11.2 トルン（Total: 2300 万トークン）

結論：コストと品質の両立

• Mixedbread Search とトースト 1 の導入により、回答品質は維持されたまま、トークン消費を 3.5 倍削減。
• コストは60% 以上削減できました。
• トースト 1 は最先端モデルのコンテキストウィンドウを解放し、トークンを「正解に至るプロセス」に集中させることを可能にしました。

独自モデルとしての深層検索性能

複雑なタスクにおいてサブエージェントとしても機能しつつ、深層検索に特化したスタンドアローンモデルとしても強力です。

• ベンチマークでの成績
  • BrowseComp Plus, OfficeQA Pro, LongSeal において、最良のフロントリ어나モデルスイープに匹敵するかそれを超える性能を発揮しました。
  • クエリあたりのコストは極小化され、回答時間は約8〜10 秒（フロントリ어나スイープよりもはるかに高速）。
• 他のトップモデルとの比較
  • GPT-5.6 Sol と同じリーグにあり、Kimi K3 や GLM-5.2 を確実に上回る性能を発揮します。

コストとレイテンシの概要（実運用時）

• 標準実行
  • コスト：クエリあたり約 $0.016〜$0.023
  • レイテンシ：8 秒（中位値）
• 最高品質フュージョン構成
  • コスト：クエリあたり約 $0.05〜$0.07
  • レイテンシ：11 秒（中位値）

フロントリ어나モデルとの比較

• 同程度の性能に達したシステムの中では、トースト 1 は7〜11 倍のコスト削減と著しい高速化を達成しました。
• 従来のフロントリ어나モデル駆動のエージェントが要していた時間は、20 秒から 4 分間でしたが、トースト 1 では大幅短縮されます。

ご利用方法：Mixedbread API と既存システムへの統合

パイプライシング（割引導入価格）

Mixedbread API を介して即座にご利用可能です。

• インプットトークン：30 万件あたり $0.30
• キャッシュされたインプットトークン：$0.036/百万件（キャッシュ書き込み無料）
• アウトプットトークン：72 万件あたり $0.72

注：トースト 1 の Mixedbread Search 呼出は特別価格で提供されています。

1. 既存検索スタックとの組み合せ

Mixedbread Search と共同設計されており、最高パフォーマンスを発揮します。ただし、バックエンド非依存（Backend Agnostic）であり、移行不要です。

Chat Completions API を活用した実装例（ゴールデンハネス） 数分間で既存のエージェントワークフローへのリトリバルツールとして追加可能です。

// 概念的な構造イメージ
{
  "model": "your-preferred-llm",
  "tools": [
    {
      "type": "mixedbread_search",
      // トースト 1 が背後で検索ループを制御
    }
  ]
}

2. コーディングエージェントとの連携

コーディングエージェントに統合処理を任せられます。

• コマンドラインでの追加

  npx skills add mixedbread-ai/skills
  

• OpenCode インテグレーション
  • トースト 1 を直接サブエージェントとして利用可能です。

3. Mixedbread Stores との連携（Python サンプル）

from mixedbread import Mixedbread

client = Mixedbread()

results = client.stores.search(
    store_identifiers=["legal-documents"],
    query="does the MSA allow assignment on a change of control?",
    search_options={
        "agentic": True,  # トースト 1 を有効化
    },
)

アクションプラン

• 試すための API キー取得：$5 のクレジットが付与されたプランをご利用ください。

まとめ：業界へのインパクト

• トースト 1 は、SID-1 や Chroma の Context-1 と並ぶ、特化型検索エージェント領域の重要な研究成果です。
• 共通目標：より低いコストとレイテンシで、生産環境へフロントリ어나レベルのリトリバルをもたらすこと。