Agentic Search de Mistral porte FinanceBench à 86 %

Publication récente. Mistral a publié Agentic Search le 20 août 2026. Cette couche de recherche permet à un modèle d’explorer directement des documents. Elle ne se limite plus aux fragments remontés par un index. Sur FinanceBench, la précision atteint 86 % avec GLM-5.2. Le résultat de référence du RAG classique s’élève à 26,7 %. GLM-5.2 appartient à Z.ai, et non à Mistral. Mistral présente donc une brique de recherche compatible avec plusieurs modèles. L’annonce porte sur la mécanique d’accès aux documents. Aucun tarif n’accompagne cette publication. Le déploiement peut fonctionner dans le cloud ou sur site. Lire l’analyse détaillée.

Recherche itérative. Le RAG classique récupère un ensemble fixe de fragments en un seul passage. Le modèle répond ensuite à partir de ces éléments. Agentic Search introduit une boucle contrôlée par le modèle. Celle-ci utilise cinq outils nommés search, open, navigate, read et grep. Le modèle peut chercher un terme, ouvrir un document, lire une section et parcourir les passages voisins. Il peut aussi relancer une requête avec le paramètre exclude_ids. Ce paramètre écarte les fragments déjà consultés. Le serveur MCP expose sept outils au total. Il ajoute ingest et delete aux cinq outils de recherche. La méthode vise notamment les tableaux et sections difficiles à retrouver.

Mistral structure une recherche agentique

Résultats comparés. FinanceBench réunit 368 documents déposés auprès de la SEC. Ces documents représentent environ 53 900 pages et servent à évaluer 150 questions. GLM-5.2 passe de 26,7 % à 86 % avec la boucle agentique complète. Mistral Medium 3.5 progresse également, avec 47,3 points gagnés grâce à la recherche. La navigation ajoute ensuite 8,7 points. Sur OfficeQA Pro, GLM-5.2 passe de 6,3 % à 51,9 %. Ce corpus comprend 696 bulletins du Trésor américain, pour environ 89 000 pages. Mistral Medium 3.5 gagne 27,1 points sur ce même corpus. Ces mesures concernent des documents denses et riches en tableaux.

Outillage décisif. GLM-5.2 obtient 41,4 % sur OfficeQA Pro avec le dispositif de Claude Code. Il atteint 51,9 % avec l’outil de recherche de Mistral. L’écart atteint donc 10,5 points pour le même modèle. La navigation ciblée réduit aussi la latence p90 sur FinanceBench. Celle-ci passe de 255 à 154 secondes. La consommation de jetons diminue de 23,9 % à 33,7 %, selon le modèle utilisé. Ces chiffres décrivent des résultats mesurés sur les benchmarks cités. Ils indiquent que la boucle de recherche influence directement la performance observée. Ils ne permettent pas de comparer automatiquement tous les corpus documentaires ni toutes les configurations de production.

Vespa organise les documents parcourables

Conditions techniques. Le démarrage demande Vespa dans Docker, une clé API Mistral, uv et Copier. L’agent doit aussi être compatible avec MCP. La navigation nécessite un index de type NavigableIndex. Sa configuration DOCUMENT_PER_CHUNK conserve les offsets de chaque fragment. Ces offsets permettent au modèle de parcourir les documents dans l’ordre. L’ingestion s’appuie sur Mistral OCR pour les contenus qui ne sont pas du texte brut. En production, Mistral recommande d’exposer le serveur MCP en HTTP. Cette exposition doit se faire derrière une authentification gérée par l’équipe. Le déploiement exige également un plafond de sauts défini dans l’agent. Sans cette limite, la boucle peut continuer sans s’arrêter.

Usages ciblés. Mistral indique que la méthode convient moins aux documents courts et propres. Elle convient également moins à la recherche à gros volume. Les questions dont la source est déjà connue ne nécessitent pas forcément cette navigation. Chaque appel d’outil ajoute un coût. Sur un corpus simple, le RAG en un seul passage reste plus rapide et moins cher. La starter app peut fonctionner localement dans l’après-midi pour une équipe de trois personnes. La mise en production demande cependant un index structuré et une authentification. L’absence de tarif public empêche encore de chiffrer précisément un projet. Les équipes intéressées doivent contacter directement Mistral pour obtenir ces éléments. Voir d’autres signaux sur les agents documentaires.

Test envisageable. Agentic Search cible surtout les corpus denses, les tableaux et les documents longs. FinanceBench et OfficeQA Pro fournissent les deux séries de résultats publiées. GLM-5.2 atteint 86 % sur le premier benchmark et 51,9 % sur le second. Mistral Medium 3.5 affiche des gains inférieurs sur ces mesures. La brique peut fonctionner avec Studio, Vibe ou un client interne compatible MCP. Elle peut aussi être installée sur site ou utilisée dans le cloud. Le choix dépendra donc de l’architecture documentaire et du modèle retenu. Le tarif devra être obtenu auprès de Mistral. Une évaluation interne devra comparer précision, latence et consommation de jetons. Pour aller plus loin, consultez notre guide sur les outils IA pour la comptabilité des PME.