NextSearch-1 gjør webresearch til egen agentmodell

NextToken slipper NextSearch-1, en familie med åpne modeller trent for én smal jobb: webresearch inne i større agentsystemer. Det er en mindre glamorøs nyhet enn en ny chatbot, men den treffer et av de største praktiske hullene i AI-arbeid akkurat nå.

Mange agentprodukter selger ideen om at én stor modell skal planlegge, søke, lese, vurdere kilder, fylle tabeller og skrive svaret. I praksis blir det dyrt, tregt og rotete. Søkespor fyller konteksten. Frontier-modellen brukes på oppgaver som ofte er repeterbare. Kildekvalitet blir blandet inn i samme samtale som sluttanalysen.

NextSearch-1 angriper akkurat den delen. Modellene er laget som research-workers: de får en avgrenset oppgave, søker og henter fra live web, avstemmer motstridende kilder og returnerer et svar eller en strukturert research-artefakt som en overordnet agent kan bruke. Det er agentarkitektur som ligner mer på drift enn demo.

Hva som er sluppet

NextToken slipper tre modeller under Apache 2.0: NextSearch-1-M, NextSearch-1-S og NextSearch-1-XS. Den største bygger på Inkling-Small og er oppgitt til 276B totalparametere med 12B aktive. Mellommodellen bygger på Qwen3.6-35B-A3B. Den minste er en 9B dense-modell.

Det viktige er ikke bare vektene. NextToken publiserer også treningsdata, tool-spesifikasjoner, eval-oppsett, benchmark-revisjoner, reproduksjonskode og et harness for hvordan modellene faktisk skal brukes. Det gjør lanseringen mer nyttig enn en løs modellkort-drop på Hugging Face. Her ligger det en påstand om hele systemet, ikke bare vektene.

Modellene er evaluert på live-web-oppgaver som SEAL-0, FRAMES, DeepSearchQA og WideSearch-sub. NextToken har også gjort et poeng av å auditere referansesvarene, fordi flere benchmark-rader straffet modeller for å gi nyere, kildebelagte svar mot foreldede gullsvar. Det er en sunn påminnelse: webresearch evaluerer ikke bare modellintelligens. Det evaluerer dato, kilder, verktøy, søkeprovider, turn-budget og grader.

Hvorfor dette er relevant for ledere

For CIO-er handler dette om kost og kontroll. Når en agent skal gjøre research i volum, kan én brukerforespørsel bli til titalls eller hundrevis av små søk. Hvis hvert delspørsmål går til en dyr generalistmodell, eksploderer kostnaden. Hvis alt gjøres i én kontekst, eksploderer rotet.

En research-subagent gir et tydeligere kontraktspunkt. Den overordnede agenten kan be om én avgrenset oppgave: finn kildene, returner feltene, vis usikkerhet, stopp innen budsjett. Deretter kan hovedmodellen bruke resultatet til analyse, beslutningsstøtte eller rapport. Det gjør systemet enklere å måle. Det gjør også feil lettere å isolere.

CISO-vinkelen er minst like tydelig. Webresearch er en inngang for feilinformasjon, prompt injection, dårlig kildeprioritering og datalekkasje via verktøy. Når research ligger i et eget lag, kan virksomheten sette strengere grenser: hvilke søkeprovidere er lov, hvilke domener kan leses, hvilke kilder må siteres, hvilke tasks får nettverk, og når skal modellen svare «ikke nok grunnlag».

Dette er mer håndterbart enn å håpe at én generell agent oppfører seg pent i alle situasjoner. Smale subagenter kan logges, benchmarkes og byttes ut uten å skrive om hele produktet.

Hva man ikke bør kjøpe ukritisk

NextSearch-1 er fortsatt en leverandørrelease. Tallene er nyttige, men de er kjørt i NextTokens harness, med deres verktøyoppsett, grader og reviderte referanser. Det er ikke negativt. Det betyr bare at kjøpere må teste med egne spørsmål, egne kilder og egne krav til dokumentasjon.

Det viktigste spørsmålet er ikke om NextSearch-1 slår en bestemt frontiermodell på en tabell. Spørsmålet er om en spesialisert research-worker kan levere nok presisjon til lavere kost, med bedre sporbarhet, i en faktisk arbeidsflyt. For mange bedrifter er det mer verdifullt enn enda én allroundmodell med høyere demo-score.

Det er også en arkitekturbeslutning. En research-subagent skal ikke få ubegrenset tillit bare fordi den er åpen. Den trenger tool-policy, kildekrav, logging, evals, rate limits og menneskelig eskalering når svaret påvirker viktige beslutninger. Åpne vekter gir kontrollmuligheter. De gir ikke automatisk governance.

Den større trenden

NextSearch-1 passer inn i en tydelig bevegelse: AI-stakken går fra monolittiske modeller til systemer av modeller. Store modeller planlegger og syntetiserer. Små eller spesialiserte modeller gjør avgrenset arbeid. Verktøy, harness og evals blir like viktige som modellnavnet.

For virksomheter som bygger Company Brain, kundeanalyse, due diligence, salgsresearch eller compliance-workflows, er dette en praktisk retning. Ikke spør bare «hvilken modell er best?». Spør hvilke jobber som gjentas ofte nok til å fortjene sin egen agentmodell. Webresearch er en av de første åpenbare kandidatene.

Det er derfor NextSearch-1 er interessant. Den gjør researchlaget til en utskiftbar, målbar komponent. Det er mindre magisk. Og nettopp derfor mer produksjonsklart.

Kilder og medier

Primærkilde: NextToken — https://nexttoken.co/research/nextsearch-1

Thumbnail: OpenAI Image 2 / hogby.ai