小红书开源 Iris 搜索智能体：35B 小模型逼近万亿参数效果

1 阅读

Iris 是什么

Iris 是小红书 AllSpark 团队开源的一款搜索智能体，有两个版本：35B 参数的 Iris-mini 和 397B 参数的 Iris-pro。它不是简单地把用户问题丢给搜索引擎然后拼接结果，而是能自己决定搜什么关键词、怎么读网页内容、什么时候该继续搜、什么时候可以停下来作答。

在真实网络环境中，Iris 会边搜索、边推理、边组织答案，整个过程像一个有耐心的研究员。它在 BrowseComp、BrowseComp-ZH、DeepSearchQA 和 HLE 这四个主流搜索智能体评测基准上，都拿到了同量级开源模型中的最好成绩。更让人意外的是，35B 的 Iris-mini 在 BrowseComp 上得分 82.2，已经非常接近 Kimi-K2.6 这类参数量大几十倍的万亿级模型。

它到底强在哪

能真正“跨页”找答案

很多所谓的搜索智能体其实只是关键词匹配高手——问题里提到“iPhone 16 发布时间”，它就去搜“iPhone 16 发布时间”，然后从结果里挑一句看起来最顺的。但现实中的复杂问题往往没这么直接。

比如：“某位 2023 年获得图灵奖的学者，其博士导师曾在哪所大学任教？”这个问题需要至少两步：先确认获奖者是谁（Avi Wigderson），再查他的导师（John Gill）及其任职机构（斯坦福大学）。中间没有任何一个网页会直接写出完整答案，必须跨多个页面串联信息。

Iris 的设计目标就是解决这类问题。它不会满足于单页快照，而是主动点击链接、跳转新页面，直到证据链闭合。

数据是怎么“造”出来的

传统做法是人工出题，但成本高、规模小、难扩展。Iris 团队搞了一套全自动的“反向造题”流程：

  1. 选种子页面：比如维基百科上某位科学家的条目，把它当作“标准答案”。
  2. 顺链接建图谱：沿着页面里的超链接，爬取相关人物、机构、事件，形成一个局部知识图谱。
  3. 生成题目：基于图谱关系自动出题，比如“X 的导师 Y 曾在 Z 大学工作”。
  4. 抹掉线索：把题干中的实体名替换成描述性语言，比如不说“Avi Wigderson”，而说“2023 年图灵奖得主”，防止模型靠字符串匹配作弊。
  5. 双重筛选：先用一个强参考模型尝试“闭卷”回答，答不出的保留；再给它提供所有相关网页，看是否能唯一确定答案。只有同时满足“够难”和“可解”的题目才进入训练集。

这套方法完全自动化，只要有新的网页语料，就能持续生成高质量训练数据。

训练方式：SFT–RL Climbing

Iris 的训练不是一次性完成的，而是采用 SFT（监督微调）和 RL（强化学习）交替进行的“爬坡”策略：

  • SFT 阶段：用更强的教师模型在真实搜索工具上跑出完整轨迹（包括查询、阅读、推理步骤），经过结果过滤和“判官”模型对每一步打分后，用来训练学生模型。
  • RL 阶段：让学生模型自己上网搜索，在真实环境中边做边学。每轮结束后，把两类轨迹回灌到下一轮 SFT：一类是最难做对但最终成功的，另一类是最高效解出的。

随着模型能力提升，题目难度也自动升级，形成自适应课程。这种“越练越难、越难越练”的循环，让模型逐步逼近人类研究员的搜索策略。

工程细节也很关键

判分和摘要不依赖外部 API

很多研究项目在训练时依赖第三方服务做摘要或评分，但网络波动、API 限流会严重干扰训练稳定性。Iris 把判分模型和摘要器都部署在内部训练集群里，全程不碰外部接口。更重要的是，训练时用的摘要器和线上推理时用的是同一套，避免了“训练一套、上线一套”导致的能力错位。

超长会话不断连

搜索任务有时会拖得很长，比如连续打开十几个页面。传统做法是整段丢弃超时会话，浪费算力。Iris 改为在请求级别中断——如果第 8 步卡住，就保存前 7 步的上下文，下次从第 8 步继续。这样 GPU 在同步调度下能保持高利用率，训练更稳定。

评测协议对齐

为了公平比较，Iris 团队要求所有对比模型在完全相同的条件下测试：用同一套搜索工具、同样的上下文长度限制、同一个判分模型，且只允许单个 ReAct 智能体（不允许用 Swarm 多智能体堆数量）。这排除了框架层面的取巧，让分数真正反映模型本身的能力。

小模型也能打

Iris-mini（35B）的表现尤其值得关注。在 BrowseComp 英文基准上，它拿到 82.2 分，而 Kimi-K2.6 单智能体版本是 83.2 分——两者差距不到 1 分，但参数量相差近 30 倍。这意味着在垂直领域（如搜索），精心设计的小模型完全可以挑战通用大模型。

这种高参数效率得益于两点：一是训练数据高度聚焦搜索任务，没有浪费容量在无关知识上；二是上下文管理策略（如截断、压缩）让小模型也能处理长链路推理，不至于中途“失忆”。

能力还会“外溢”

更意外的是，Iris 没有专门训练过通用工具调用或办公任务，但在 BFCL、τ-bench、OfficeQA、APEX 等 benchmark 上表现也不错。这说明“搜索”本身是一种基础原子能力——学会如何与外部世界交互、如何验证信息、如何组织证据，这些技能可以迁移到其他需要工具调用的场景。

比如在 OfficeQA 任务中，模型需要读取用户上传的 Excel 表格并回答问题。Iris 虽然没练过这个，但它习惯于从非结构化文本中提取关键信息、交叉验证数据，这种思维模式自然适配办公场景。

怎么用起来

想试试 Iris？步骤很直接：

  1. 克隆代码仓库：git clone https://github.com/AllSpark-Research/Iris
  2. 从 HuggingFace 下载模型权重（Iris-mini 或 Iris-pro）
  3. 安装依赖（如 vLLM 或 SGLang 推理框架）
  4. 配置搜索引擎接口（联网是必须的）
  5. 用 ReAct 智能体形式加载模型，把搜索工具注册进去
  6. 输入问题，看它自动规划、搜索、推理、作答

Loomy

整个流程对开发者友好，文档也齐全。如果你在做 Agent 相关产品，Iris 可以作为一个高性价比的底座模型。

应用场景不止搜索

虽然叫“搜索智能体”，但 Iris 的能力边界比名字更广：

  • 深度调研：适合写行业报告、竞品分析，能自动收集多方证据，避免片面结论。
  • 事实核查：辟谣或尽职调查时，必须找到原始出处，Iris 的跨页推理能力正好匹配。
  • 中英混合检索：在 BrowseComp 和 BrowseComp-ZH 上都表现优异，适合处理跨境信息。
  • 通用 Agent 底座：工具调用能力可直接用于构建客服、助理等智能体。
  • 办公助手：无需额外训练就能处理文档问答、流程任务，嵌入企业办公系统门槛低。

开源的意义

相比 Kimi-K2.6 等只开源权重但隐藏训练细节的模型，Iris 把数据构造方法、训练配方、评测代码全部公开。这意味着社区可以复现结果、改进方法，甚至基于它的思路开发新应用。在当前大模型越来越“黑箱”的趋势下，这种透明度尤为珍贵。

总的来说，Iris 不只是一个性能强的模型，更提供了一套可复制的 Search Agent 构建范式——从数据生成到训练策略再到工程优化，每一步都经得起推敲。对于想在搜索或工具调用方向深耕的团队来说，它是个值得研究的标杆。