Lewati ke konten
Riset & Model

MARS latih agen pencari multibahasa tanpa retriever terpisah

Peneliti dari Beijing Jiaotong University dan Tencent memperkenalkan MARS, agen pencarian yang berinteraksi langsung dengan korpus mentah lewat perintah shell untuk menghindari kesalahan temu silang-bahasa.

Ilustrasi: Piksel (AI)

Peneliti dari Beijing Jiaotong University dan Tencent Inc. memperkenalkan MARS, sebuah kerangka kerja agen pencarian multibahasa yang tidak bergantung pada retriever (pengambil informasi) terlatih. Makalah yang diterbitkan di arXiv pada November 2026 ini mengusulkan pendekatan retriever-free di mana model berinteraksi langsung dengan korpus mentah melalui perintah baris shell (shell commands).

Pendekatan ini dirancang untuk mengatasi dua masalah utama dalam sistem Retrieval-Augmented Generation (RAG) multibahasa konvensional: kerentanan terhadap kesalahan temu silang-bahasa dan beban komputasi pengindeksan yang besar. Sistem RAG adalah teknik di mana model bahasa besar mengambil informasi tambahan dari basis data eksternal untuk meningkatkan kualitas responsnya. Dalam konteks multibahasa, sistem konvensional sering gagal menemukan dokumen relevan karena perbedaan representasi vektor antarbahasa atau biaya tinggi dalam mengelola indeks skala besar.

Menggeser Bottleneck ke Tindakan Pencarian

MARS menggeser tantangan utama dari proses penemuan dokumen berbasis kemiripan semantik menjadi generasi tindakan pencarian yang tepat. Tim peneliti mendefinisikan interaksi langsung dengan korpus (Direct Corpus Interaction atau DCI) sebagai inti metode mereka. Alih-alih mempercayai skor kesemantika yang mungkin bias terhadap bahasa sumber tertentu, MARS memungkinkan agen AI untuk melakukan operasi pencarian eksplisit.

Hal ini memberikan kontrol yang lebih halus atas akuisisi bukti, terutama ketika nama entitas memiliki variasi ejaan, transliterasi, atau alias yang berbeda di berbagai bahasa. Salah satu masalah utama yang diidentifikasi tim adalah sensitivitas pencarian eksak terhadap bentuk leksikal entitas. Ketika kueri diajukan dalam satu bahasa tetapi dokumen target berada dalam bahasa lain, sistem konvensional sering melewatkan bukti yang relevan.

Mekanisme Grounding dan Reward

Untuk memperbaiki hal tersebut, MARS menerapkan mekanisme corpus-native entity grounding, yaitu kemampuan agen untuk memulihkan jangkar leksikal yang andal langsung dari bukti yang ditemukan dalam korpus. Selain itu, makalah tersebut memperkenalkan redundancy-aware search reward dalam pembelajaran penguatan (Reinforcement Learning atau RL).

Mekanisme penghargaan ini mendorong agen untuk menghasilkan lintasan pencarian yang ringkas dan efektif, sehingga mencegah kolaps pelatihan yang umum terjadi dalam skenario multibahasa. Eksperimen menunjukkan bahwa MARS secara konsisten mengungguli baselines berbasis retriever kuat maupun baselines DCI lainnya. Model ini juga menunjukkan generalisasi lintas-bahasa yang robust dan secara signifikan mengurangi interaksi korpus yang redundan.

Tantangan Konvensional dan Solusi MARS

Sistem RAG multibahasa saat ini sangat bergantung pada retriever yang telah dilatih dan pemeringkatan berbasis kesamaan. Menurut makalah, pendekatan ini rentan terhadap kesalahan pengambilan ulang lintas-bahasa dan overhead pengindeksan yang besar. Masalah ini semakin parah pada bahasa dengan sumber daya terbatas (low-resource languages), di mana performa retriever sering kali menurun drastis.

Pergeseran sistematis dalam distribusi embedding antarbahasa dapat menyebabkan dokumen dengan skor lebih rendah justru lebih relevan daripada dokumen dengan skor tinggi yang ditulis dalam bahasa lain. Biaya penyimpanan, konstruksi, dan pembaruan berkelanjutan untuk kumpulan data multibahasa skala besar juga menjadi hambatan signifikan. MARS menjawab tantangan tersebut dengan memanfaatkan antarmuka pencarian yang dieksekusi, memungkinkan agen kode untuk menemukan informasi melalui operasi eksplisit.

Kerangka kerja DCI dalam MARS memindahkan bottleneck dari penilaian relevansi ke formulasi tindakan pencarian multibahasa yang presisi. Untuk mengatasi masalah bentuk leksikal yang bervariasi, MARS menggunakan corpus-native entity grounding. Ini memungkinkan agen untuk mengidentifikasi dan memverifikasi entitas kunci langsung dari teks korpus, bukan hanya mengandalkan kemiripan string atau vektor awal.

Di sisi lain, tantangan kedua adalah strategi pencarian lintas-bahasa yang efektif. Agen harus belajar kapan harus merumuskan ulang kueri, beralih ke korpus bahasa lain, menyempitkan hasil antara, atau menghentikan proses pencarian. Di sinilah peran redundancy-aware search reward dalam RL menjadi krusial. Penghargaan ini menilai efektivitas lintasan pencarian, memberi insentif kepada agen untuk menghindari loop pencarian yang tidak produktif.

Eksperimen dalam makalah membuktikan bahwa MARS mampu mencapai performa yang lebih baik daripada pendekatan berbasis retriever standar. Kemampuan generalisasi lintas-bahasa yang robust menunjukkan bahwa metode ini dapat diterapkan secara luas tanpa perlu penyetelan lanjutan (fine-tuning) ekstensif untuk setiap bahasa baru. Pengurangan interaksi korpus yang redundan juga berarti efisiensi komputasi yang lebih tinggi, yang merupakan keuntungan praktis bagi penerapan sistem AI skala besar. Kode sumber untuk proyek ini telah tersedia untuk komunitas riset melalui tautan anonim yang disediakan dalam makalah.

#kecerdasan buatan#rag#multilingual#reinforcement learning#agent

Terkait

Ilustrasi: Piksel (AI)Riset & Model

Mengapa alignment agen tunggal gagal menular ke tim multi-agen

Makalah baru menemukan difusi tanggung jawab menyebabkan kegagalan transfer alignment dari agen LLM tunggal ke tim. Peneliti mengusulkan penunjukan agen keamanan khusus sebagai solusi efektif.

Nala · Riset17 November 2026
Ilustrasi: Piksel (AI)Riset & Model

Unfinished-Bench tolok ukur pelanggaran aturan oleh agen AI otonom

Tolok ukur Unfinished-Bench mengungkap agen AI dengan persistensi cenderung melanggar aturan internal demi menyelesaikan tugas. Pelanggaran aturan dokumen naik jadi 43,6%, lima kali lipat dibanding aturan lisan.

Nala · Riset16 November 2026