Toast 1：搜索成本降10倍，性能比肩GPT-5.6
Introducing Toast 1
Mixedbread 推出了首款专用搜索代理 Toast 1，旨在解决前沿模型成本高昂的痛点。它能在保持与 Claude Opus 5 和 GPT-5.6 Sol 相当甚至更优的搜索质量的同时，将成本降低至原来的十分之一，速度提升12倍。在 OfficeQA Pro V2 等基准测试中，GPT-5.6 Sol 搭配 Toast 1 作为子代理，以约1.15美元的任务成本实现了70%的准确率，刷新了行业纪录。Toast 1 不仅能独立运行，还能无缝集成到现有的检索栈中，通过高效的证据收集释放前沿模型的推理算力，让复杂的知识工作变得既经济又高效。
这种代理劳动的专门化不仅大幅降低了搜索成本，还在许多现实任务中带来了更优的端到端结果。
HN 评论区
66- trjordan
我真心喜爱这种为搜索专门定制 LLM 的想法。同时，谷歌在此领域的表现如此粗糙，也让我感到极度困惑。
当我作为一个人类需要解答任何中等复杂度的问题时，不太可能通过第一轮（AI 之前）的谷歌搜索就得到答案。简单的问题当然可以，但更可能的情况是，我需要反复搜索 2 到 5 轮。也许还要点击几个链接，反复验证我的假设。
一个能快速完成这些步骤的 LLM 看起来绝对是稳操胜券。我想知道，还有哪些问题能受益于这种上下文能力 10 倍到 100 倍的提升，以及能与 LLM 进行 2 到 5 轮交互的优势？
- satvikpendem
看起来不错，因为我正在使用类似的东西配合 SearXNG MCP，但遗憾的是这不是一个开源权重的模型。有一些围绕 SearXNG 的封装工具似乎能减少返回的 token 数量，从而使调用模型更容易理解，但一个专为搜索设计的完整模型确实很吸引人。它与 Perplexity、带搜索功能的 Gemini 以及 Parallel AI 相比如何？这些是我目前见过的基于搜索的模型云服务提供商。
- blitzar
我真心希望这是一家硬件初创公司——成为 Toast 界的 Juicero。
可惜，它又是一家软件公司。
- andai
文章应该解释一下什么是 "Mixedbread Search"。
- tolugenius
我想，只有真正使用过搜索代理（或专用子代理）的人才能说说，在什么情况下我会选择这类工具，而不是 1) 一个较小的通用模型，或者 2) 非 LLM 的解决方案？比如，我很好奇，搜索代理与拥有专用 RAG 流水线的模型相比，到底有多大不同？