一句话总结
9 月 7 日，AllSpark Research 在 arXiv 发布技术报告《Iris: Climbing to the Search Frontier》（2609.04304），把「开源搜索 Agent」的天花板抬高了：Iris-mini（35B-A3B）与 Iris-pro（397B-A17B）在 BrowseComp 上分别拿到 82.2 和 88.6——两个参数档位都是开源最强（Iris-pro 比同档最强 XYZ-Aquila-pro 高 3.8 分），Iris-pro 甚至在部分配置下把成绩推到 90.3，逼近 GPT-5.6 Sol（90.4）与 Kimi-K3（91.2）等闭源顶配。更难得的是，团队承诺开放权重 + 开放数据管线，把整套「如何造出强搜索 Agent」的配方摊开给你看。
数据来源
- arXiv 2609.04304《Iris: Climbing to the Search Frontier》（AllSpark Research，2026-09-07）
- Hugging Face Papers 收录页（AllSpark-Research 团队主页）
- BrowseComp 社区排行榜（leaderboard.steel.dev，用于闭源对照行）
- 本文基准数字均引自论文 Table 1 / Table 2
为什么「搜索 Agent」值得单独研究？
搜索 Agent 和普通 LLM 评测的根本区别在于：任务不是固定的。一个搜索 Agent 不仅要会推理，还得自己决定——
- 该搜什么？
- 怎么解读检索回来的证据？
- 什么时候该继续探索，什么时候证据已经足够、可以作答？
这就把问题从「模型知识够不够」变成了「模型在开放环境里会不会决策」。而 Search 与 Deep Research 类产品（Perplexity、Exa 等）正是这条路线最直接的商业化形态——谁把搜索 Agent 做得强，谁就握住了下一代信息入口。AllSpark 的报告，就是这个赛道上开源阵营的一次正面冲锋。
成绩单：两个档位，开源最强
先看核心结果。论文在四个公认的硬基准上评测：BrowseComp（多跳线索拼图式搜索）、BrowseComp-ZH（中文版）、DeepSearchQA（答案全面性 F1）与 HLE（专家级学科推理，仅文本子集）。下表为「discard-all 上下文管理」默认配置：
| 模型 | 参数 | BrowseComp | BrowseComp-ZH | DeepSearchQA (F1) | HLE |
|---|---|---|---|---|---|
| Iris-mini | 35B MoE | 82.2 | 84.8 | 86.9 | 52.3 |
| XYZ-Aquila-mini | 35B | 78.8 | 82.9 | 89.5 | 51.1 |
| Agents-A1 | 35B | 75.5 | – | – | 47.6 |
| Iris-pro | 397B MoE | 88.6 | 85.1 | 92.9 | 56.4 |
| XYZ-Aquila-pro | 397B | 84.8 | 85.1 | 92.5 | 53.3 |
| Nex-N2-Pro | 397B | 83.7 | 79.6 | 92.3 | 50.0 |
几个值得注意的点：
- 30-35B 档：Iris-mini 在 BrowseComp / BrowseComp-ZH / HLE 三项登顶，BrowseComp 比同档最强 XYZ-Aquila-mini 高 3.4 分；
- 约 400B 档：Iris-pro 四项全部领先或打平，BrowseComp 领先 XYZ-Aquila-pro 达 3.8 分；
- 逼近 1T 级模型：Iris-mini 的 BrowseComp 82.2，已经接近 Kimi-K2.6（83.2）与 DeepSeek-V4-Pro（83.4）这类 1T+ 巨兽——用更小的参数做到接近的成绩，正是训练配方价值的证明；
- 即便与闭源重算力配置（Apodex-1.0-H 90.3、GPT-5.6 Sol 90.4、Kimi-K3 91.2）相比，Iris-pro 的 88.6 也只在 3 分以内。
最难的部分：数据从哪来？
训练搜索 Agent 最大的坑是数据：网上自然出现的问题大多太简单，模型凭记忆就能答；而人工手写难题又贵又难规模化。Iris 团队的做法是「反着造题」——从网页超链接结构里自动构造出难而可验证的多跳问题。
整条数据管线分三步：
- 网页图构建：把语料建模为有向图——节点是页面、边是超链接。从「答案锚定」的种子页出发，沿出链展开局部子图，保留页面全文；
- 任务合成：把页面蒸馏成紧凑的实体关系图，在其上生成依赖至少 N 条耦合关系的多跳题目；最关键的一步是锚点抽象——把所有非答案实体改写成「描述性指代」，让 Agent 无法靠直接搜题面字符串作弊，必须先推理出实体身份；
- 双准则验证：只保留「难且可解」的题目——参考模型闭卷答错（难）+ 给了实体图就能答对（可解、答案唯一）。
这套验证逻辑保证了训练数据的质量下限：没有一道题是记忆题，也没有一道题是无解题。
训练配方：SFT 与 RL 交替「攀登」
数据就位后，训练本身同样讲究。Iris 采用迭代式 SFT-RL 循环——他们称之为「climb（攀登）」：
- SFT 阶段：用强教师模型（ReAct 范式，工具集 = 搜索 + 抓取）为每道题生成完整轨迹。随后做两层过滤：
- 轨迹级粗过滤：答案正确 + 无退化循环（用 zlib 压缩率检测重复文本，O(n) 高效）+ 至少 K 次工具调用（排除浅层直查）+ 去重；
- 回合级细过滤：LLM 裁判逐轮打标，最多掩蔽 10% 的劣质回合——被掩蔽的回合仍留在上下文里，但不计入训练损失；
- RL 阶段：对着实时搜索做强化学习（群组相对策略梯度）。为避免长轨迹拖垮同步训练，采用 request 级部分 rollout + 前缀复用（约 2 倍过采样作为余量）；奖励裁判与观测摘要器都是集群内的 Qwen3.5-397B FP8 引擎，不依赖外部 API；
- 攀登循环：每轮 RL 后，只挑「通过率 0 到 1/2 之间」的题（能解但还不稳），从中选出最短的成功轨迹喂回 SFT，再开下一轮 RL。难度带随策略提升自动上移，形成自步进课程，候选耗尽即自然停止。
工程细节也很硬核：SFT 用 256K 上下文训练、全局 batch 64；防泄漏方面，训练与评测全程把 Hugging Face 的 datasets/spaces 域名三重拦截（搜索结果过滤 + 抓取拒绝 + 工具管理器后置守卫），防止模型背答案。
一个被论文点名的「透明度红利」：上下文管理
搜索 Agent 有一个常被忽略的变量——上下文管理（Context Management，CM）。长程搜索很容易在找到答案前就把上下文窗口耗尽，所以很多团队用「清空历史重搜（discard-all）」「失败摘要重试（retry）」等技巧给 Agent 续命。但这些技巧会掩盖模型本体的真实水平。
Iris 论文的坦诚之处在于：它同时报告了「无 CM」与「有 CM」两档成绩——
- Iris-mini 无 CM 时 BrowseComp 为 64.7，开 discard-all 后跳到 82.2（+17.5），说明小模型确实会耗尽上下文；
- 但即便不带任何 CM，Iris-mini/Iris-pro 也已经大幅超过 FORT-Searcher（55.9）、OpenSeeker-v2（46.0）等旧方法——增益不是只来自推理期包装，模型本身学到的搜索行为才是地基；
- CM 收益高度依赖任务类型：BrowseComp 这类长程检索收益最大，HLE 这类知识推理题收益有限——这反过来验证了「报告裸成绩」的必要性。
作者甚至专门用一节讨论了一个 benchmark 标注错误案例（BrowseComp-ZH 里《权力的游戏》珊莎婚姻归属问题，官方答案与剧集事实不符），并以此呼吁建立质量更高的搜索基准。这种较真，在「刷分内卷」的当下显得格外珍贵。
意义：搜索或许是一项「原子能力」
论文最远视的一句话在结论部分：搜索数据与搜索专用模型正向迁移到了完全没针对训练过的场景——通用工具调用（BFCL、tau-bench）与 CoWork（OfficeQA、APEX）。作者的解读是：
搜索可能更适合被看作一项原子能力而非垂直技能——它诱导出的行为（在不完整信息下行动、判断何时收手）在任何 Agent 场景都可复用。
如果这个判断成立，那么搜索数据的价值将远不止于搜索产品本身——它可能是训练通用 Agent 的核心素材。AllSpark 计划发布模型权重与数据/训练/评测管线的关键组件，这意味着开源社区很快就能亲手复现并继续往上爬。
总结
- 成绩：Iris-mini（35B）与 Iris-pro（397B）拿下 BrowseComp 82.2 / 88.6，双双刷新各自参数档的开源纪录，Iris-pro 距闭源顶配仅 2-3 分；
- 数据：从网页超链接图自动反造「难而可验证」的多跳题，锚点抽象 + 双准则验证保证质量；
- 训练：轨迹级 + 回合级过滤的 SFT，与实时搜索 RL 交替攀登，自步进课程自动加难；
- 透明：主动区分「裸模型成绩」与「上下文管理加持」，甚至公开批评基准标注错误；
- 开源：权重与全管线组件即将放出——这是「开源搜索 Agent 追赶闭源」最值得跟踪的一份报告。
对普通用户来说，Iris 的意义也很直接：开源社区每追近一分，Perplexity 这类产品的「护城河」就薄一分——下一次你用的搜索 Agent，底层可能就藏着 AllSpark 的配方。
