Společnost Turbopuffer popsala trénink specializovaného agenta pro vyhledávání v rozsáhlých repozitářích. V případové studii uvádí kombinaci post-trainingu, indexovaného vyhledávání a open-weight modelu s 35 miliardami parametrů. Cílem je snížit cenu a latenci při práci s velkým korpusem kódu, kde běžné procházení souborů a opakované dotazy frontier modelů začínají být drahé. Autoři tvrdí, že jejich specialista dosáhl lepší přesnosti vyhledávání než porovnávané modely a podle velikosti úlohy pracoval dvakrát až desetkrát rychleji. Uvádějí také přibližně stonásobně nižší cenu za dotaz. Jde o výsledek firemní případové studie, nikoli o nezávislý benchmark, ale ukazuje směr, v němž se agentní nástroje mohou dělit podle konkrétní práce místo používání jednoho univerzálního modelu.
