AllSpark开源Iris最强搜索代理 四榜霸榜

时间：2026 年 9 月 13 日 地点：中国 / 全球开源社区 人物：AllSpark 团队（Ziyuan Liu、Hengqi Liu、Zichuan Wang、Yang Qin、Jiachen Liang、Xu Chu、Shaowei Chen、Yuantao Gu、Mu Chuan 等） 事件详情：中国 AI 实验室 AllSpark 于 9 月 13 日发布论文《Iris: Climbing to the Search Frontier》，同时开源 Iris-mini 与 Iris-pro 两款搜索代理模型，全部基于阿里 Qwen3.5/3.6 系列后训练。Iris-mini 参数量 35B（激活 3B，基于 Qwen3.6-35B-A3B），Iris-pro 参数量 397B（激活 17B，基于 Qwen3.5-397B-A17B），均支持 256K 上下文窗口。模型权重、Hugging Face 集合、Agent 推理框架 Iris Harness、四个基准评测代码均已开源；训练数据构建与训练流水线代码将在后续释出。 背景：训练任务并非来自现有 QA 数据集，而是从网页超链接结构反向构造——以种子页面为起点构建实体图，生成多跳问答链，把每个非答案实体改写成描述性指代、屏蔽字符串匹配；只有「参考模型闭卷答不出、提供证据能答出」的题目才会进入数据集。轨迹先做整体正确性、重复循环与搜索深度过滤，再交由「从数据反推规则的判官模型」做逐步评审；强化学习阶段把判官与观测摘要都跑在训练集群内以降低奖励延迟。作者将 SFT 与 RL 交替进行、每轮把最难解出且最有效率的轨迹回灌进下一轮 SFT 的做法，称为「SFT-RL 爬升」。 影响：在 BrowseComp、BrowseComp-ZH、DeepSearchQA 与「人类终极考试」HLE 四个基准上，启用上下文管理后 Iris-mini 取得 82.2/84.8/86.9/52.3，Iris-pro 取得 88.6/85.1/92.9/56.4，分别为其参数级别中开源搜索代理最强成绩。Iris-pro 在 BrowseComp 与 DeepSearchQA 上接近需要更多算力的闭源系统。团队还指出，在这些榜单上「推理时上下文管理带来的收益往往大于模型本身的差异」——丢弃历史、重试等机制让 Iris-mini 在 BrowseComp 上最多提升 21.2 分。值得注意的是，搜索训练意外地迁移到模型从未专门训练过的通用工具调用与办公任务上，说明搜索更像一种基础能力而非窄域专长。 总结：AllSpark 用「SFT-RL 爬升 + 反向构造多跳题」为开源搜索代理提供了一套完整可复现的训练配方，把 397B-A17B 推到 BrowseComp 88.6 的开源新高，并证明「上下文管理」是与模型同等重要的独立变量；这套配方对长程智能体训练具有较强的可迁移价值。 参考来源： 1. The Decoder — Iris-mini and Iris-pro are the strongest open-weight search agents in their class: https://the-decoder.com/iris-mini-and-iris-pro-are-the-strongest-open-weight-search-agents-in-their-class/ 2. GitHub — AllSpark-Research/Iris: https://github.com/AllSpark-Research/Iris 3. Hugging Face — AllSpark-Research/Iris Collection: https://huggingface.co/collections/AllSpark-Research/iris 4. arXiv / HyperAI — Iris: Climbing to the Search Frontier (arXiv:2609.04304): https://hyper.ai/en/papers/2609.04304 5. AI Modeling — AllSpark Iris pushes open-source search agents to BrowseComp 88.6: https://www.aimodeling.com/en/news/slug/allspark-iris-search-agent-sft-rl-climbing 6. DEV Community — Iris: How SFT-RL Climbing Trains Open-Weight Agents to Search the Web: https://dev.to/prabhakar_chaudhary_7afe4/iris-how-sft-rl-climbing-trains-open-weight-agents-to-search-the-web-like-a-researcher-50h1 7. ChatPaper — Iris:攀登搜索前沿: https://www.chatpaper.ai/zh/dashboard/paper/efa14f07-35f8-4af2-b1d1-de703a62e448 8. AI Digest — Iris Topic: https://aidigest.shelfcritter.com/topics/iris