AllSpark Research hat die Gewichte zweier Suchagenten auf Hugging Face veröffentlicht, beide unter dem Namen Iris. Das kleinere Modell, Iris-mini, wurde auf Basis von Qwen3.6-35B-A3B nachtrainiert und hat insgesamt 35 Milliarden Parameter, von denen bei der Inferenz 3 Milliarden aktiv sind. Das größere Iris-pro basiert auf Qwen3.5-397B-A17B, mit insgesamt 397 Milliarden Parametern und 17 Milliarden aktiven Parametern. Beide sind Mixture-of-Experts-Modelle mit einem Kontextfenster von 256K, die Gewichte stehen unter der Apache-2.0-Lizenz, und der begleitende technische Bericht wurde am 3. September auf arXiv veröffentlicht.
Der Unterschied zwischen einem Suchagenten und einem gewöhnlichen Chat-Modell liegt darin, dass er selbst entscheiden muss, wonach er sucht, ob er nach den ersten Ergebnissen weitersuchen soll und wann die Beweislage ausreicht, um aufzuhören. Dieses Feld wurde in den letzten zwei Jahren weitgehend von Closed-Source-Produkten dominiert, auf der Open-Source-Seite gab es bisher wenig Vergleichbares.
Die Ergebnisse in vier Benchmarks
Das Paper nennt vier Benchmarks: BrowseComp, BrowseComp-ZH, DeepSearchQA und HLE. Iris-mini erreicht 82,2, 84,8, 86,9 und 52,3 Punkte, Iris-pro kommt auf 88,6, 85,1, 92,9 und 56,4, wobei DeepSearchQA nach F1-Wert bewertet wird. Beide Modelle erzielen in ihrer jeweiligen Parameterklasse die besten bisher erreichten Werte unter offenen Suchagenten, die größte Lücke zeigt sich bei BrowseComp.
Eine Zahl widerspricht der Intuition: Beim chinesischen BrowseComp-ZH erreicht das kleine 35-Milliarden-Modell 84,8 Punkte, das große 397-Milliarden-Modell 85,1 Punkte – ein Unterschied von nur 0,3 Punkten. Beim englischen BrowseComp liegt der Abstand zwischen denselben beiden Modellen bei 6,4 Punkten. Bei der chinesischen Aufgabe hat die größere Parameterzahl also kaum etwas gebracht.
Ein weiterer Vergleich im Paper macht das Problem deutlicher. Das Team testete drei Strategien zum Kontextmanagement während der Inferenz: gar nichts tun; „discard-all“ (sobald der Kontext eine Schwelle überschreitet, wird die angesammelte Historie der Tool-Aufrufe komplett gelöscht und ab der ursprünglichen Frage neu begonnen); sowie „retry“ (bereits ausgeschlossene Spuren werden zusammengefasst, bevor es weitergeht). Mit aktiviertem Kontextmanagement verbessern sich beide Modelle, und Iris-mini legt dabei stärker zu als Iris-pro. Für kleinere Modelle ist es also wirkungsvoller, die immer länger werdende Suchhistorie im Griff zu behalten, als einfach mehr Parameter aufzutürmen.
Trainingsdaten rückwärts aus Hyperlinks konstruiert
Mehrstufige Suchfragen sind am schwersten zu erstellen. Eine Frage von Hand zu schreiben, die sich nur über drei oder vier Webseiten hinweg beantworten lässt, ist unverhältnismäßig teuer – und lässt sich leicht durch simples String-Matching umgehen, wenn im Fragetext ein Eigenname stehen bleibt, den das Modell direkt zur richtigen Antwortseite führt.
Iris geht den umgekehrten Weg: Aus der Hyperlink-Struktur eines Web-Korpus wird eine Startseite ausgewählt, entlang ihrer ausgehenden Links wird ein Entitätsgraph destilliert, auf diesem Graphen werden mehrstufige Ketten komponiert, und am Ende wird die Frage so umformuliert, dass keine Spur durch reinen Textabgleich lösbar ist.
Das Training selbst folgt einem Prozess, den das Paper „SFT-RL climbing“ nennt – überwachtes Fine-Tuning und Reinforcement Learning wechseln sich ab. Die RL-Phase läuft gegen die echte Live-Suche, nicht gegen Offline-Snapshots; sowohl das Reward-Modell, das die Bewertung vornimmt, als auch das Modul, das die Beobachtungen zusammenfasst, laufen innerhalb des Trainings-Clusters. Das bedeutet, dass bei jedem Trainingsschritt tatsächlich Netzwerkanfragen verschickt werden – technisch kein günstiges Unterfangen.
Our policy is optimized by RL against live search.
(Unsere Policy wird per Reinforcement Learning gegen die Live-Suche optimiert.)
Die Open-Source-Seite hat endlich einen ernstzunehmenden Gegner
Im größeren Bild betrachtet, haben offene Modelle bei allgemeinen Chat- und Code-Aufgaben inzwischen fast zu Closed-Source-Produkten aufgeschlossen – Suche ist der Bereich, der am weitesten hinterherhinkt. Der Grund liegt auf der Hand: Die Fähigkeiten eines Suchagenten stecken zur Hälfte im Modell und zur Hälfte im externen Framework, das Tools orchestriert. Closed-Source-Anbieter optimieren beides zusammen, während die Open-Source-Seite oft nur das Modell veröffentlicht, nicht das Framework.
Iris hat diesmal Modellgewichte, Kontextmanagement-Strategie und Datenkonstruktionsmethode gemeinsam offengelegt, der Trainings-Pipeline-Code ist als „demnächst verfügbar“ markiert. Im GitHub-Repository werden unter anderem die Projekte MiroThinker, Relax, ms-swift und slime als Dank genannt, wobei die ersten beiden ebenfalls Open-Source-Versuche im Bereich Suchagenten aus dem vergangenen Jahr sind.
Im Bericht wird Iris in derselben BrowseComp-Tabelle auch mit Closed-Source-Modellen wie GPT-5.5 Pro und Gemini 3.1 Pro verglichen, doch der Fließtext des Papers beschränkt die Formulierung „führend in der eigenen Größenklasse“ ausdrücklich auf den Open-Source-Bereich – die Einzelwerte der Closed-Source-Modelle werden in der Zusammenfassung nicht weiter ausgeführt. Ebenfalls nicht offengelegt ist die institutionelle Zugehörigkeit des Teams AllSpark Research: Öffentliche Berichte bringen es mit einer chinesischen Content-Plattform in Verbindung, doch weder die arXiv-Seite noch das GitHub-Repository nennen eine Organisation, und auch auf den persönlichen Profilseiten der neun Autoren fehlt eine entsprechende Angabe.
Für alle, die selbst eine tiefgehende Suchlösung betreiben wollen, ist die Größenordnung von 35 Milliarden Gesamt- und 3 Milliarden aktiven Parametern gut geeignet – zusammen mit dem im Paper beschriebenen Kontextmanagement lässt sich das auf einer einzelnen Maschine betreiben. Der Lizenzumfang von Apache 2.0 lässt zudem ausreichend Spielraum für die kommerzielle Nutzung.
Quellen: arXiv-Paper 2609.04304, Repository AllSpark-Research/Iris, CocoLoop, Hugging-Face-Modellseite; die Ergebnisse der vier Benchmarks und die Parameterangaben der beiden Modellvarianten richten sich nach den Tabellen im Paper.