Iris：一份把搜索智能体「攀到前沿」的全栈训练配方
你有没有发现一个怪现象：搜索智能体的榜单上，各家系统比来比去，分差往往就两三个点，但把推理时的上下文管理打开或者关掉，成绩能差出 17 个点。也就是说，很多论文里争得面红耳赤的「方法创新」，可能还不如一个工程 trick 值钱。
AllSpark Team 这篇 Iris 论文（arXiv:2609.04304）就挺实诚的——他们不躲这个问题，直接把上下文管理（Context Management，CM）当成一等公民来评估，每个基准都跑「开」和「关」两组，工具集、上下文上限、评分器全部锁死。结果两个模型 Iris-mini（35B-A3B）和 Iris-pro（397B-A17B）在 BrowseComp、BrowseComp-ZH、DeepSearchQA、HLE 四个基准上拿到 82.2/84.8/86.9/52.3 和 88.6/85.1/92.9/56.4，在各自参数量级的开源搜索智能体里站到了最前面。
核心摘要：这篇论文要解决的是深度搜索智能体的训练全链路问题——数据从哪来、怎么筛、SFT 和 RL 怎么接力。方案是从网页超链接图反向构造多跳问题（把非答案实体全部改写成描述性指代，堵死字符串匹配捷径），再用「闭卷答不出、给证据能答对」的双重标准筛题；训练上先用两层过滤的轨迹做 SFT，再对真实搜索做 RL，并用 partial rollout 中断续跑、训练集群内置评分器和摘要器；最后 SFT 和 RL 交替「攀爬」，把每轮 RL 里最难的、最高效的 rollout 回灌给下一轮 SFT。我的评价：这不是什么单点算法突破，而是一份把工程细节抠到底的完整配方——它的价值恰恰在于坦诚，连「评估协议的差异比方法差异更大」这种得罪人的话都直接写进了摘要。
论文信息
- 标题：Iris: Climbing to the Search Frontier
- 作者：Ziyuan Liu、Hengqi Liu、Zichuan Wang、Yang Qin、Jiachen Liang、Xu Chu、Shaowei Chen、Yuantao Gu、Mu Chuan（AllSpark Team）
- 链接：https://arxiv.org/abs/2609.04304
- 发表：2026 年 9 月 3 日，12 页 2 图
为什么需要这篇论文
做搜索智能体（search agent）训练的人，这两年大概都被同一个问题折磨过：高质量的多跳问答数据太稀缺了。
BrowseComp 这类基准的问题之所以难，是因为线索被故意「模糊化」了——题目不直接说「《权力的游戏》」，而是说「一部改编自小说的西方奇幻电视剧」。你想造这种题，人工写又慢又贵；用模型批量生成吧，又容易出现两个毛病：一是题目太直白，字符串一搜就能命中答案，智能体根本学不到多跳推理；二是题目质量参差，有的闭卷就能答对（没有训练价值），有的给了证据也答不对（题目本身有 bug）。
另一个痛点在训练侧。深度搜索任务动辄几十轮工具调用、十几万 token 的 rollout，RL 训练时长 rollout 一卡，整个集群就在干等。而且评分器（judge）和观察摘要器（summarizer）如果走外部 API，延迟和成本都很难看。
Iris 这篇论文的打法是：把这两个问题都当成系统工程来解，从数据管线到训练配方再到评估协议，每一环都给出可复现的设计。
数据管线：从超链接图里「反向」长出问题
这是我觉得全文最精巧的部分。一般造 QA 数据的思路是「先有文档，再出题」，Iris 反过来了——先有答案，再围着答案构造问题。
具体分几步走：
网页图构建。从一个种子页面出发，沿着它的出链爬出一个语料子图。页面之间的超链接关系天然就是一张「知识可达性」的图——你想，维基百科式的超链接结构，其实就是人类编辑标注好的实体关联。
实体图抽取。从种子页面和它的出链里蒸馏出实体图，然后在这张图上作者多跳链（multi-hop chain）。多跳链保证了答案必须串起多个页面的信息才能推出来。
锚点抽象（anchor abstraction）。这一步是关键。把链上每一个非答案实体都改写成描述性指代——比如不说「兰尼斯特家族」，而说「该家族长姐第二次婚姻嫁入的家族」。这样一来，没有任何一条线索可以靠字符串匹配直接搜到，智能体必须真的理解描述、逐跳定位实体。说实话，这个设计跟 BrowseComp 出题人「刻意模糊化」的思路是同构的，等于把人工出题的巧思自动化了。
双重标准验证（dual-criteria verification）。造出来的题要过两关：参考模型闭卷答不对（说明题目有检索价值，不是模型背下来的常识），但给了支撑证据能答对（说明题目本身可解、标注没毛病）。两个条件同时满足才收录。这个过滤器非常实用——我在之前做检索增强项目时也碰到过类似问题，不筛这两道，训练数据里会混进大量「太简单」和「有错误标注」的噪声，RL 阶段的奖励信号直接被污染。
训练配方：SFT、RL、再交替攀爬
数据有了，接下来是怎么训。Iris 的流程是三段式，而且三段之间是循环的。
SFT：轨迹两级过滤
先用造出来的问题生成搜索轨迹，然后过滤两次。轨迹级粗筛看三件事：答案对不对、有没有退化行为（比如反复调同一个查询）、搜索深度够不够。轮次级细筛再由一个 judge 逐轮检查。两道过滤之后才进 SFT。
训练目标没什么花哨的，就是标准的下一 token 预测，但注意一点——Iris-mini 和 Iris-pro 都是 MoE 架构（35B-A3B 和 397B-A17B，A 后面的数字是激活参数量），上下文窗口 256K，这个容量是奔着长 rollout 去的。
RL：对着真实搜索环境练
RL 阶段直接对实时搜索（live search）优化策略，不是离线模拟的环境。这里有几个工程决策值得单独说：
Partial rollout 与前缀复用。超长 rollout 在请求级别被中断，下一步从已提交的前缀（committed prefix）续跑，而不是整条重来。配上约 2 倍的过采样和截断重要性采样（truncated importance sampling），把长尾 rollout 对集群吞吐的拖累压下去。做过 RL 训练的人都知道，长任务里「最长的那条轨迹决定了这一步的耗时」，这个设计就是直接冲着这个痛点去的。
评分器和摘要器住进训练集群。reward judge 和 observation summarizer 都是集群内部署的模型服务，不走外部 API。好处是延迟可控、吞吐可控，坏处是要占算力——但比起 rollout 等 judge 返回的浪费，这笔账算得过来。
SFT-RL 交替攀爬
这是论文名字里「climbing」的由来。SFT 和 RL 不是一次性的先后关系，而是交替进行：每一轮 RL 结束后，把最难的已解决 rollout（通过率大于 0 但不超过一半的那些查询）和最高效的轨迹（工具调用轮次达标且最短的有效轨迹）挑出来，回灌到下一轮 SFT 里。
这个思路有点像课程学习和拒绝采样微调（RFT）的混血——模型刚够得着的难题是最有信息量的训练信号，而「高效解法」则防止模型在 RL 里养成冗余搜索的坏习惯。坦率的讲，单看每一步都不新鲜，但把它们组织成一个闭环、并且真的在 35B 和 397B 两个量级上跑出来，这个工程量是实打实的。
实验结果：数字之外的看点
主结果用一个 ReAct 智能体跑出——没有子智能体、没有测试时验证（test-time verification），就是单智能体硬刚。所有系统统一工具集、统一上下文上限、统一评分器。
图 1（a）：BrowseComp 上各系统对比。左侧 mini 量级：Iris-mini 82.2 领先 XYZ-Aquila-mini 的 78.8；右侧 pro 量级：Iris-pro 88.6 领先 XYZ-Aquila-pro 的 84.8 和 Nex N2-Pro 的 83.7。
图 1（b）：BrowseComp-ZH 上，Iris-mini 84.8 居 mini 组首位；Iris-pro 85.1 与 XYZ-Aquila-pro 打平。
图 1（c）：DeepSearchQA 上，Iris-pro 92.9 为全榜最高，Iris-mini 86.9 在 mini 组略低于 XYZ-Aquila-mini 的 89.5。
图 1（d）：HLE（text-only 设定）上，Iris-mini 52.3 和 Iris-pro 56.4 均为各组最高。
四个基准汇总成表，关键数字如下（均为开启 CM 的 discard-all 设定）：
| 模型 | BrowseComp | BrowseComp-ZH | DeepSearchQA | HLE |
|---|---|---|---|---|
| Iris-mini (35B-A3B) | 82.2 | 84.8 | 86.9 | 52.3 |
| XYZ-Aquila-mini | 78.8 | 82.9 | 89.5 | 51.1 |
| Iris-pro (397B-A17B) | 88.6 | 85.1 | 92.9 | 56.4 |
| XYZ-Aquila-pro | 84.8 | 85.1 | 92.5 | 53.3 |
上下文管理的影响是另一个重头戏。论文把 CM 关掉重跑，Iris-mini 四项掉到 64.7/72.3/81.0/43.2，Iris-pro 掉到 72.6/76.8/86.4/50.8——BrowseComp 上 mini 掉了 17.5 个点。而不同的 CM 策略之间也有差异：discard-all 基础上加 retry，mini 的 BrowseComp 还能再涨到 85.9。作者的原话很扎心：在这些基准上，推理时上下文管理的价值超过系统间大多数已报告的分差。这句话翻译过来就是——很多搜索智能体论文宣称的优势，可能只是因为 CM 配置更好。
还有个有意思的细节：BrowseComp-ZH 一共 289 题，三个不同配置都恰好得到 85.1 分，也就是都做对了 246 题。作者专门点出这个巧合，侧面说明不同策略答对的题集合高度重合——基准可能正在接近饱和。
批判性审视：一个让人哭笑不得的案例
论文附录里放了一个 BrowseComp-ZH 的真实案例（第 85 题），我觉得这是全文最有「人味」的部分。
图 2：题目问的是《权力的游戏》——「小女儿流亡海外加入神秘组织」的家族，其长姐第二次婚姻嫁入了哪个家族。官方标准答案是兰尼斯特家族，而 Iris 的搜索智能体答的是波顿家族。
看过权游的朋友应该反应过来了：史塔克家的小女儿艾莉亚流亡布拉佛斯加入无面者，长姐珊莎第二次婚姻嫁的是……小剥皮拉姆斯·波顿。珊莎和提利昂·兰尼斯特那段婚姻是第一段（按剧集情节）或者说未被圆房的一段。也就是说，智能体答的「Bolton」在剧情上完全说得通，官方标注的「Lannister」反而站不住。
这个案例特别珍贵，因为它戳破了深度搜索基准的一个隐忧：当题目难到需要多跳推理才能定位答案时，标注本身出错的概率也在上升。模型在这个案例里被冤枉扣分，那么基准上那一两个点的差距里，有多少是标注噪声？论文没有量化这个比例，但敢把这种「打脸基准」的案例放进附录，态度是加分的。
再说几个我觉得可以挑剔的地方。其一，论文所有对比都在「开源搜索智能体」范围内，跟顶级闭源系统（比如各家 Deep Research 产品）的差距没有正面讨论。其二，SFT-RL 攀爬的消融做得相对简略，攀爬几轮之后收益是否递减、回灌数据的比例怎么调，这些细节对复现者很重要但着墨不多。其三，BrowseComp-ZH 上三配置同分 85.1 的现象，作者自己也承认了基准饱和的迹象——那这套配方在更难的下一代基准上还有多少攀爬空间，目前是个问号。
我的判断
这篇论文的定位很清晰：它不是要发明一个新算法，而是要把搜索智能体训练的整条流水线做到可复现的极致。数据反向构造、双重验证、partial rollout、集群内 judge、SFT-RL 攀爬——每个模块单拎出来都能找到先例，但能把它们缝成一个在 397B 量级上稳定运转的系统，并且承诺开放权重和完整配方，这对社区的价值是实实在在的。
如果你在做 agentic search 或者工具调用智能体的训练，有三个点可以直接抄作业：一是「闭卷答不出 + 给证据能答对」的数据双重筛选，成本低廉但去噪效果好；二是 CM 必须作为评估的受控变量，不然跟别人的数字比毫无意义；三是长 rollout 的 RL 训练，partial rollout + 前缀复用几乎是必选项。
觉得有启发的话，欢迎点赞、在看、转发。跟进最新 AI 前沿，关注我。