小红书 AllSpark 发布 Iris：同量级最强开源 Search Agent

图 1：Iris 在 BrowseComp、BrowseComp-ZH、DeepSearchQA、HLE 四个 Agentic Search Benchmarks 上与其他系统的对比。

   .

写在前面

普通语言模型的评测里，任务、上下文和算力预算大多在开始前就固定好了。Search Agent 不一样：它要自己决定搜什么、怎么读检索回来的内容、什么时候继续找、什么时候证据够了可以回答。这让它更强，也让它更难训练、更难被公平评测。

团队把难点归纳为三个，Iris 的配方也正是围绕它们展开：

• 数据难：真正好的训练题，必须“闭卷答不出、给了资料才能答对”，而且不能靠关键词匹配蒙对。自然产生的网页问题很少同时满足，人工出题又贵又难扩展。

• 训练难：长链路搜索里，少数超长轨迹会拖慢整个同步训练；而判分、摘要如果依赖外部 API，训练就会被卡在网络波动上。

• 评测难：搜索智能体的分数很容易被推理时的各种外部技巧抬高。只看最终成绩，会把“模型本身有多强”和“框架有多会取巧”混为一谈，难以对齐比较。

这三道坎——数据、训练、评测——共同决定了一个 Search Agent 的上限，Iris 的做法是把它们当成一个整体来解。

01

数据

Iris 的训练题不是收集来的，而是从网页的超链接结构里反向“造”出来的。

流程分三步：先以某个种子页面作为答案，顺着它的出链把相关页面聚成一张小型实体图谱；再在这张图上编写一道必须跨多个页面、多步推理才能得到唯一答案的问题；最后是最关键的一步——把题面里除答案之外的每一个实体，都改写成一句描述性的指代。

这一步“抹掉线索”的改写，让题目没法再靠字符串匹配走捷径：模型不能把题干里的名字直接丢进搜索框，而必须真正理解、逐步锁定。

造完题还要双重筛选：用一个参考模型验证两件事——闭卷（不给资料）时它答不出，说明题够难；把证据作为上下文喂给它时它能答对且答案唯一，说明题确实可解。只有同时满足“够难”和“可解”的题才会被保留。这样得到的题，逼着模型靠推理而非匹配去消歧——这正是真实搜索场景最需要的能力。整个流程全自动、不依赖人工出题，因此能随网页语料规模持续扩展。

图 2：数据构造 pipeline。

02

训练

有了题，Iris 用监督微调（SFT）与强化学习（RL）交替进行的方式训练，团队把这个过程叫做 SFT–RL Climbing。

SFT 阶段先让一个强教师模型在真实搜索工具上把题做一遍、得到完整轨迹，再经过两层过滤才用于训练：轨迹层看结果对不对、有没有陷入重复或乱码、搜索深度够不够；再由一个“判官”在单轮粒度上剔除那些看起来在瞎搜的步骤——而判官的评判标准不是人手写的，是从数据里归纳出来的。

RL 阶段让模型在真实网络上边搜边学。这里有两个关键工程决定：

• 判分和摘要都放进训练集群内部：用一个自建模型同时充当“奖励判官”和“检索内容摘要器”，训练全程不依赖任何外部 API，把网络波动挡在训练循环之外。

• 超长轨迹“断点续跑”：少数拖后腿的超长会话不再被整段丢弃，而是在请求级别中断、下一步从已提交的前缀继续，让 GPU 在同步调度下也能保持忙碌。

把判分与摘要收进集群内部还有一个额外好处：训练时用来压缩检索内容的那套摘要器，正是模型在评测和线上会用到的同一套，训练与使用不再错位。

每一轮 RL 之后，团队会把其中最难被做对的、以及最高效解出的轨迹回灌给下一轮 SFT。随着模型变强，筛选出来的题会自动变难，形成一条自适应的课程，也天然给出了停止的信号。

换句话说，模型每一轮都在“先自己探索、再把成功经验固化下来”。

03

评测

团队在 BrowseComp、BrowseComp-ZH、DeepSearchQA、HLE 四个 Benchmarks 上评测 Iris。这四个基准各有侧重：前两个考察中英文的复杂网页检索，DeepSearchQA 看答案对证据的覆盖是否完整，HLE 则是需要专家级推理的高难题。

为了让分数尽量反映模型本身、而非推理框架的取巧，所有系统都在相同的 Tool、Context 和 Judge Model 下比较、默认采用同一种上下文管理策略，并且只用单个 ReAct 智能体，不叠加多智能体、也不做测试时自我验证。

• Iris-mini（35B）：四项成绩 82.2 / 84.8 / 86.9 / 52.3，在 BrowseComp、BrowseComp-ZH、HLE 三项上登顶同量级开源。更难得的是，它在 BrowseComp 上的 82.2 分已逼近 Kimi-K2.6 等万亿参数级模型——用 35B 的体量，摸到了数十倍参数模型的水平。

• Iris-pro（397B）：四项成绩 88.6 / 85.1 / 92.9 / 56.4，在 BrowseComp、DeepSearchQA、HLE 上均为同量级最强开源，BrowseComp-ZH 上并列第一。

四个基准从中英文网页检索到专家级难题各不相同，能在其中同时领先，说明 Iris 的 Search 能力并非针对某类题的过拟合，而是较为通用的底层能力。团队也坦承，面对最顶尖的前沿系统，Iris 仍有差距，缩小这一差距是后续的重点之一。

图 3：Iris-mini 与 Iris-pro 在四大基准上的主结果。

上下文管理（CM）是 Search Agent 常见的加分项——长链路搜索常在答完前就把上下文用光，截断、压缩或清空重来都能续上更多搜索，但是鲜有工作讨论过这一点。团队把它单独拉出来做了对照：即便完全不开 CM，Iris 也已领先同量级其他系统；开启后成绩进一步提升，且小模型的获益明显大于大模型——因为小模型解同样的题需要更多步骤、更容易触到上下文上限，可回收的空间也更大。

图 4：上下文管理（CM）的影响。每个系统的 w/o 为不开 CM 的基线，其余行是不同 CM 策略下的成绩，括号内为相对基线的变化。

04

Search，但不止于 Search

团队在实验中发现了一个超出预期的现象：为 Search 合成的数据、以及专门训练出的专家模型，在没有专门训练过的任务上同样有效——包括 General Tool Use（BFCL、τ-bench）和 Cowork（OfficeQA、APEX）场景等。

背后的解释是：一方面，如今很多任务多少都会用到一些在线搜索或本地检索的工具；另一方面，Search 数据教会模型的，是在信息不完整时如何行动——而这种能力并不只属于网页浏览，任何需要“边做边找、边找边判断”的 Agent 任务都用得上。这也解释了为什么一个 Search 模型，会在从没专门训练过其他任务上有如此好的泛化性。

如果这个规律成立，那么 Search 或许更应该被看作一种可复用的原子能力，而不是一个孤立的垂直方向。Search 数据与模型的价值，也就不该只用“浏览网页做得多好”来衡量——过去被当作“垂类”投入的训练，很可能是一项能被反复使用的通用底座。

///

写在最后

Iris 给出的是一套端到端、可复现的 Search Agent 配方，团队计划开源模型权重，以及数据构造、训练、评测各环节的关键组件。比起单个基准上的分数，团队更看重两点：一是让相对小巧的模型在垂域上也能具备逼近超大模型的能力；二是 Search 能力“外溢”到更广的 Agent 任务——这意味着这套数据与模型有机会复用到更多智能体产品中，而不必为每个方向从零训练。这也是接下来要继续探索的方向。

技术报告、模型权重与配方开源：

• Paper：

  https://arxiv.org/abs/2609.04304

• GitHub：

  https://github.com/AllSpark-Research/Iris

• HuggingFace：

  https://huggingface.co/collections/AllSpark-Research/iris

///

作者简介

• 刘子源，AllSpark Pevek 组算法实习生，清华大学电子系本科、直博在读。以第一作者身份发表 SCI / CCF-A 论文 7 篇，主要研究方向为 Agentic后训练与 DeepResearch/Cowork Agents。

• 沐川，AllSpark Pevek 组负责人。