搜索智能体这条赛道上，最近出现了一份比较特别的开源成果。中国团队AllSpark发布了Iris-mini与Iris-pro两款搜索智能体，不仅开放了模型权重，还把整套训练配方一并公开。两个版本分别建立在千问系列模型之上：Iris-mini总参数35B、每次激活3B，Iris-pro总参数397B、每次激活17B，均支持256K词元上下文，权重许可证为Apache 2.0，Hugging Face页面无需申请即可下载。
这件事的分量不在榜单名次，而在一个长期悬而未决的问题上：搜索智能体给出答案时，究竟有多少是真的上网查出来的，又有多少只是在确认训练时已经记住的事实。在业界常用的几套基准上，这个界限一直很模糊。Iris的训练方法与评测框架，恰好把这个问题摆到了台面上。
Iris的训练数据不是现成的问答集，而是从网页之间的超链接关系反向构造出来的。系统先取一个种子页面及其链接页面，整理成一张实体关系图，再沿着多个页面之间的关系生成需要多步查找的问题。关键在于，问题中除最终答案之外的每一个直接名称都会被改写成描述性线索，这样一来，模型把原词复制到搜索框就能得到答案的机会被大幅削减，必须真的去推理，而不是做关键词匹配。
生成出来的问题还要通过两道筛选才能进入数据集：参考模型在不给网页证据时无法直接回答，拿到对应证据后能够得到唯一答案。这两条同时成立，意味着题目既足够难，又具备清晰的可验证性。通过筛选的问题会被转成包含推理、工具调用和网页观察的完整轨迹，为后续的训练提供可复现的样本。这种从链接结构出发造题的方式，与过去直接拿问答对微调的做法相比，把搜索智能体最核心的能力，也就是决定搜什么、读哪些页面、何时停止，真正纳入了训练目标。
轨迹生成之后，会经过一个更强教师模型产出的解答路径，再接受两轮过滤。第一轮检查整条路径的正确性、是否陷入重复循环以及搜索深度是否失控；第二轮由裁判模型逐步复核，而裁判模型的评判标准是从数据本身推导出来的，不是手工设定的。这种让标准从数据里长出来的做法，是为了避免人工规则带来的偏好偏差，也让整个训练流程更容易被外部复现和检验。
之后模型通过强化学习对接真实网页搜索持续改进。监督微调与强化学习交替进行，团队把这一流程称为SFT-RL爬升：每一轮中解出的最难任务和效率最高的解答路径，会回流到下一轮监督训练中。裁判模型与结果摘要都跑在训练集群内部，由团队自己的大尺寸千问模型提供支持，训练过程不依赖外部服务。对开发者来说，两级验证加上交替训练这套设计，比榜单分数更值得细看，因为决定智能体好不好用的，往往是它判断何时该继续搜、何时该收手的那个机制。
评测覆盖四套基准：BrowseComp考察从间接线索中找罕见事实的能力，BrowseComp-ZH是其中文对应版本，DeepSearchQA评估检索证据的完整程度，Humanitys Last Exam则是专家级学术问答。在开启上下文管理的情况下，Iris-mini分别取得82.2、84.8、86.9与52.3分，Iris-pro达到88.6、85.1、92.9与56.4分。团队称，Iris-mini在同尺寸档位四项基准中三项领先，在BrowseComp上比次优模型高出3.4分；Iris-pro在更大尺寸档位领先或持平，部分成绩接近需要远多算力的系统。
比分数更有意思的是团队对上下文管理的处理。他们主张，在常见基准上，运行时的上下文管理策略带来的差异，往往比系统之间被报告的能力差距更大：长时间研究任务中，上下文可能在子问题尚未全部解决前就被填满，而丢弃对话历史这类技巧只是人为延长了研究时间，并不能说明模型本身的质量。为此，Iris的评测框架把上下文管理当作单独变量，在工具、上下文上限与裁判模型保持一致的前提下，对每套基准分别测试开启与关闭两种状态。论文还提到，上下文管理对小模型的提升尤其明显，BrowseComp分数最多能提高21.2分，原因不是词元预算更小，而是消耗速度更快。
论文里一个意料之外的发现是，这套为搜索任务设计的训练数据与方法，在模型从未被专门训练过的任务上也带来了提升，包括通用工具调用和办公类工作。如果这一结论能在独立复现中站得住，那它指向的判断就相当重要：自主检索可能不是一项狭窄的专长，而是一种可以迁移的基础能力，训练目标越接近真实的信息获取与决策过程，模型在其它任务上的泛化就越自然。
对希望自建检索与执行系统的团队而言，开源权重加上公开的训练配方，意味着可以检查奖励模型是怎么搭出来的、裁判标准是否可靠，而不只是接受一个榜单数字。部署规模需要与模型体量匹配：官方示例中Iris-mini采用4路张量并行，Iris-pro采用8路张量并行加8路专家并行，后者需要多节点或容量较大的单节点。务实的路径是先从小模型与配套评测框架入手，按硬件条件再调整并行参数与上下文长度。真正值得先回答的问题不是它排第几，而是把它指向一个没训练过的任务时，它还站不站得住。