AllSpark Research merilis bobot dua agen pencarian ke Hugging Face dengan nama Iris. Versi kecilnya, Iris-mini, merupakan hasil pelatihan lanjutan dari Qwen3.6-35B-A3B, dengan total 35 miliar parameter dan 3 miliar yang aktif saat inferensi. Versi besarnya, Iris-pro, dibangun di atas Qwen3.5-397B-A17B, dengan total 397 miliar parameter dan 17 miliar aktif. Keduanya memakai arsitektur mixture-of-experts dengan jendela konteks 256K, dan bobotnya dirilis di bawah lisensi Apache 2.0. Laporan teknis pendampingnya diunggah ke arXiv pada 3 September.
Yang membedakan agen pencarian dari model chat biasa adalah ia harus memutuskan sendiri apa yang dicari, apakah perlu terus mencari setelah melihat hasil, dan kapan bukti yang terkumpul sudah cukup untuk berhenti. Selama dua tahun terakhir, kemampuan ini nyaris seluruhnya dikuasai produk closed source, dan sisi open source tak banyak punya lawan tanding.
Hasil di empat benchmark
Makalah ini melaporkan hasil pada empat benchmark: BrowseComp, BrowseComp-ZH, DeepSearchQA, dan HLE. Iris-mini meraih 82,2, 84,8, 86,9, dan 52,3; Iris-pro meraih 88,6, 85,1, 92,9, dan 56,4, dengan DeepSearchQA diukur pakai F1. Kedua model sama-sama mencatat hasil terbaik di antara agen pencarian open source pada kelas parameter masing-masing, dan selisih terbesar ada pada BrowseComp.
Ada satu angka yang terasa berlawanan dengan intuisi. Pada BrowseComp-ZH berbahasa Mandarin, model kecil berparameter 35 miliar meraih 84,8 dan model besar berparameter 397 miliar meraih 85,1 — selisihnya cuma 0,3 poin. Pasangan model yang sama berselisih 6,4 poin pada BrowseComp berbahasa Inggris. Di benchmark bahasa Mandarin, tambahan parameter nyaris tidak membuahkan apa-apa.
Perbandingan lain dalam makalah ini lebih langsung menunjukkan apa yang sebenarnya berpengaruh. Tim mengujicobakan tiga strategi manajemen konteks saat inferensi: tidak melakukan apa pun; "discard-all", yang menghapus seluruh riwayat pemanggilan tool yang terkumpul dan memulai lagi dari pertanyaan awal begitu konteks melewati ambang batas; dan "retry", yang merangkum petunjuk yang sudah disingkirkan sebelum melanjutkan. Kedua model sama-sama membaik setelah manajemen konteks diaktifkan, dan peningkatan Iris-mini lebih besar dibanding Iris-pro. Dengan kata lain, bagi model yang lebih kecil, cara mengelola riwayat pencarian yang terus memanjang lebih berpengaruh ketimbang menumpuk parameter.
Data pelatihan direkayasa balik dari hyperlink
Pertanyaan pencarian multi-hop paling sulit dibuat. Menulis manual satu pertanyaan yang butuh tiga sampai empat halaman untuk dijawab biayanya sangat mahal, dan model dengan mudah mengambil jalan pintas lewat pencocokan string — jika sebuah nama diri dalam pertanyaan kebetulan cocok dengan satu halaman, model cukup mencari sekali dan langsung mendarat di halaman jawaban.
Pendekatan Iris justru sebaliknya: mulai dari satu halaman awal yang dipilih dari struktur hyperlink korpus web, ia menelusuri tautan keluar untuk menyaring graf entitas, membangun rantai multi-hop di atas graf itu, lalu menulis ulang pertanyaannya sehingga tak ada petunjuk yang bisa terpecahkan hanya dengan pencocokan teks harfiah.
Pelatihannya sendiri mengikuti proses yang disebut makalah ini "SFT-RL climbing", yakni fine-tuning terarah dan reinforcement learning yang dilakukan bergantian. Tahap reinforcement learning berjalan melawan pencarian langsung (live search), bukan snapshot offline; reward model yang dipakai untuk menilai dan modul yang merangkum hasil pengamatan sama-sama ditempatkan di dalam klaster pelatihan. Susunan ini berarti setiap langkah pelatihan harus benar-benar mengirim permintaan jaringan — biaya rekayasanya tidak kecil.
Our policy is optimized by RL against live search.
Sisi open source akhirnya punya lawan yang sepadan
Dilihat lebih luas, model open source sudah hampir menyamai model closed source dalam percakapan umum dan coding; pencarian adalah area yang paling lama tertinggal. Alasannya cukup jelas: kemampuan agen pencarian dibagi rata antara model itu sendiri dan kerangka kerja penjadwalan tool di sekitarnya, dan produk closed source menyetel keduanya sekaligus, sementara sisi open source sering kali cuma merilis modelnya tanpa kerangka kerjanya.
Kali ini Iris memaparkan sekaligus bobot model, strategi manajemen konteks, dan metode pembangunan datanya. Kode pipeline pelatihannya ditandai "segera dirilis". Repositori GitHub-nya mencantumkan ucapan terima kasih untuk MiroThinker, Relax, ms-swift, dan slime di antara proyek-proyek sebelumnya, dua yang pertama merupakan upaya open source membangun agen pencarian dalam setahun terakhir.
Laporan ini menempatkan Iris berdampingan dengan model closed source seperti GPT-5.5 Pro dan Gemini 3.1 Pro dalam tabel BrowseComp yang sama, tapi klaim makalah tentang "terdepan di kelas yang sama" dibatasi hanya untuk lingkup open source, dan angka-angka model closed source itu tidak dijabarkan satu per satu dalam ringkasannya. Hal lain yang tidak diungkap adalah afiliasi institusi AllSpark Research — pemberitaan publik mengaitkan tim ini dengan sebuah platform konten asal Tiongkok, tapi baik halaman arXiv maupun repositori GitHub-nya tidak mencantumkan nama institusi, dan sembilan halaman pribadi penulisnya juga tidak mencantumkannya.
Bagi yang ingin menjalankan sistem deep search sendiri, ukuran 35 miliar parameter dengan 3 miliar aktif ini pas untuk dijalankan, dan dipadukan dengan strategi manajemen konteks dari makalah ini, bisa berjalan di satu mesin saja. Cakupan lisensi Apache 2.0 juga menyisakan cukup ruang untuk penggunaan komersial.
Sumber: makalah arXiv 2609.04304, repositori AllSpark-Research/Iris, CocoLoop, halaman model Hugging Face; skor benchmark dan jumlah parameter kedua model mengikuti tabel dalam makalah.