AllSpark的开源Iris搜索智能体深度解析

一、主要参数

两个版本均基于通义千问MoE系列大模型原生改造，完全开放权重并采用Apache 2.0开源协议，可直接在Hugging Face获取部署：

• Iris-mini‌：基于Qwen3.6-35B-A3B打造，总参数35B，推理时仅激活3B参数，兼顾性能与部署成本，适合中小规模场景落地。
• Iris-pro‌：基于Qwen3.5-397B-A17B打造，总参数397B，推理时激活17B参数，是当前开源搜索智能体中的旗舰级版本，面向高复杂度深度搜索场景。
• 两个版本均标配‌256K超长上下文窗口‌，可完整承载多轮网页浏览、多源信息交叉校验的全流程搜索链路。

二、核心技术创新

1. 反向网页链接结构生成训练数据‌

AllSpark独创从互联网网页链接结构逆向工程生成训练问题的方法，自动构造需要多步链式推理的复杂搜索任务，同时对关键术语做同义改写，生成的问题无法通过简单文本搜索直接得到答案，从根源上避免了训练数据污染，大幅提升智能体的真实搜索推理能力。https://AIDeep✷THink.cn

2. 双阶段过滤机制清洗训练数据‌

由教师模型生成的候选解决方案路径，必须经过两轮严格的质量过滤，剔除逻辑断裂、结果错误的低质样本，最终仅保留高质量的多步搜索轨迹用于后续训练，保证训练数据的纯度与严谨度。

3. 上下文管理能力超越模型规模增益‌

在BrowseComp等核心搜索基准测试中，Iris的智能上下文管理机制带来的性能提升，是单纯扩大模型规模带来增益的‌2.2倍‌。它能在长周期多轮网页浏览过程中自动丢弃冗余历史信息，精准保留关键证据链，避免长搜索链路中上下文膨胀导致的注意力漂移，这也是它性能远超同类产品的核心关键。

三、训练与性能表现

完成数据清洗后，AllSpark直接基于真实在线搜索引擎环境，通过强化学习对智能体做端到端优化，让模型在真实网页交互中自主学习“判断是否需要搜索、选择搜索关键词、解读网页结果、校验证据充分性”的完整搜索全流程，而非仅用静态数据集做模拟训练。

最终在四大主流搜索智能体基准测试中，两个版本均拿下同参数级别的开源模型综合第一，同时在完全未经过专项训练的通用工具调用、办公自动化任务上，也展现出远超预期的性能表现，实现了搜索能力向其他智能体场景的自然迁移。

Iris系列的开源，直接把顶尖搜索智能体的落地门槛从闭源商用方案的高成本状态，降到了普通开发者可自由二次开发的开源状态，为后续自主可控的深度信息检索、科研文献调研、复杂事实核查等场景提供了开箱即用的底层基座。https://AIDeep✷THink.cn

四、横向对比

核心差异化优势： Iris系列的智能上下文管理机制带来的性能增益，是单纯扩大模型规模带来增益的‌2.2倍‌，在四大主流搜索基准测试中拿下同参数级别开源模型综合第一，同时在未经过专项训练的通用工具调用、办公自动化任务上也实现了性能跃升，完全开放权重支持全链路二次开发。