文章摘要
Toast 1是一款新型专业搜索代理，性能媲美Claude Opus 5和GPT-5.6 Sol，但成本降低10倍、速度提升12倍。它能独立完成搜索循环，将复杂查询分解、收集证据并整理上下文，让前沿模型专注于推理和最终答案生成。
文章总结
好的，这是根据您的要求，对原文进行的中文重述，保留了核心细节，并删减了与主题无关的营销和推广性内容。
文章标题：Toast 1 介绍
核心内容：
Mixedbread 发布了其首个专用搜索智能体 Toast 1。该模型旨在提供顶尖的搜索质量，其性能可与 Claude Opus 5 和 GPT-5.6 Sol 等前沿模型媲美甚至超越，但成本最高可降低 10 倍，速度提升 12 倍。虽然与 Mixedbread Search 配合使用效果最佳，但它也能兼容任何搜索后端。
背景与设计理念：
当前，前沿模型已能胜任复杂的知识工作，如推理、分析和在大量文档中查找信息。然而，这些模型成本高昂。因此，市场迫切需要能够以更低成本匹配其能力的专用智能体。Toast 1 正是为此而生。它可以作为独立的专用检索智能体运行，也可以作为前沿模型可依赖的多个子智能体之一。它完全接管了搜索循环：根据初始查询，将其分解为子查询、收集证据、检查来源，并在返回结果前整理出相关上下文。这使得主模型能够将其上下文和计算资源集中在需要通用、前沿能力的任务上：即推理、行动和生成最终答案。
性能表现与成本效益：
这种智能体劳动的专业化不仅显著降低了搜索成本，还在许多实际任务中取得了更优的端到端结果。在多个基准测试中，Toast 1 在任务成本和速度方面建立了新的帕累托前沿。
金融分析 (OfficeQA Pro V2): 在 Databricks 发布的复杂企业财务问答基准测试中，将 GPT-5.6 Sol 与作为子智能体的 Toast 1 结合使用，达到了 70% 的答案正确率，每任务成本约 1.15 美元。这不仅是该测试中的最高分，也建立了质量和效率方面的新标杆。相比之下，此前的最佳表现者 Claude Fable 5 在 Databricks Genie 上达到 60% 的正确率，但每任务成本约为 4 美元。而 GPT-5.6 Sol 在不使用 Toast 1 时，正确率仅为 33%。性能提升源于对证据收集经济性的重新设计：Toast 1 能生成高质量、高令牌效率的证据包，为推理过程留出充足资源。
法律智能体基准 (Firm Knowledge): 在 Harvey LAB 的法律机构知识基准测试中，使用 Toast 1 作为搜索子智能体，在保持相同答案质量（得分均为 55）的前提下，将令牌消耗从原始智能体的 8060 万大幅削减至 2300 万，减少了 3.5 倍，成本降低超过 60%。这表明，Toast 1 通过提高搜索质量，极大地提升了令牌效率，释放了前沿模型的上下文窗口，使其能专注于得出正确答案。
技术细节与可用性：
性能与成本： 在多项深度搜索基准测试中，Toast 1 的性能与 GPT-5.6 Sol 等前沿模型处于同一水平。其标准运行成本约为每查询 0.016-0.023 美元，中位延迟为 8 秒。最高质量的融合配置成本约为每查询 0.05-0.07 美元，中位延迟为 11 秒。与达到类似性能的系统相比，Toast 1 的成本低 7-11 倍，速度也快得多。
兼容性： Toast 1 与 Mixedbread Search 协同设计，性能最强，但同时也保持后端无关性，可运行于现有检索索引之上，无需迁移现有后端。
集成方式： 可通过 Mixedbread 的聊天补全 API 将其作为检索工具添加到现有智能体工作流中。也支持与编码智能体（如通过 OpenCode）集成，或直接在 Mixedbread 的存储（Stores）中通过设置
agentic: True来启用。
总结：
Toast 1 是一个轻量级、高性能的专用搜索智能体，旨在以极低的成本和延迟提供前沿级别的检索能力。它通过专业化分工，优化了证据收集的经济性，从而在多个复杂任务上实现了更优的性能和成本效益。
评论总结
根据评论内容，主要观点和论据如下：
对专用搜索LLM的积极评价（评论2，评分None）：作者认为专用LLM在搜索中能显著提升复杂问题的解决效率，通过多轮交互和上下文扩展（10倍-100倍）实现“一击即中”。关键引用：“An LLM that can do that quickly seems like a slam dunk.” 和 “I wonder what other problems benefit from that 10x-100x increase in context + 2-5 rounds with the LLM.”
对品牌命名的困惑（评论4、5、6，评分None）：多位评论者对“Mixedbread Search”这一名称感到困惑，认为容易与恶搞页面混淆，且缺乏明确解释。关键引用：“Dunno about this branding/naming scheme - every time it comes up we have to double-check that it isn't some spoof/joke page” 和 “Article should probably explain what 'Mixedbread Search' is.”
对Google搜索的对比（评论7，评分None）：有评论者认为Google的搜索概览和Gemini功能已足够快速，优于其他替代方案。关键引用：“I find search overviews and asking gemini to search for things way faster than any alternative.” 和 “it seems to be more like the AI equivalent of algolia than google.”
技术细节与幽默调侃（评论8、9，评分None）：评论8以“Bread-first search”双关调侃，评论9询问基准测试是否保持相同框架。关键引用：“Bread-first search, is it?” 和 “Are the benchmarks comparing just the models while keeping the harness the same?”
失望与期待偏差（评论10，评分None）：有评论者表示失望，原以为是与面包板相关的公司。关键引用：“I’m disappointed this is some AI thing and not a breadboard company.”
总结：评论整体对专用搜索LLM的潜力持积极态度，但对其命名和解释存在困惑；部分用户认为Google现有方案已足够，而技术细节和幽默调侃则反映了社区对产品定位的多元看法。