A AllSpark Research publicou no Hugging Face os pesos de dois agentes de busca batizados de Iris. O menor, Iris-mini, foi pós-treinado a partir do Qwen3.6-35B-A3B e soma 35 bilhões de parâmetros no total, dos quais 3 bilhões são ativados durante a inferência; o maior, Iris-pro, tem como base o Qwen3.5-397B-A17B, com 397 bilhões de parâmetros no total e 17 bilhões ativos. Ambos são modelos de mistura de especialistas com janela de contexto de 256K, os pesos foram disponibilizados sob a licença Apache 2.0 e o relatório técnico correspondente foi publicado no arXiv em 3 de setembro.
A diferença entre um agente de busca e um modelo de conversa comum está em que ele precisa decidir sozinho o que pesquisar, se deve continuar pesquisando depois de ver os resultados e quando as evidências já são suficientes para parar. Essa área foi dominada nos últimos dois anos basicamente por produtos de código fechado; do lado open source havia pouca coisa à altura para comparação.
Os resultados nos quatro benchmarks
O artigo apresenta quatro benchmarks: BrowseComp, BrowseComp-ZH, DeepSearchQA e HLE. O Iris-mini obtém 82,2, 84,8, 86,9 e 52,3 pontos; o Iris-pro chega a 88,6, 85,1, 92,9 e 56,4, sendo o DeepSearchQA calculado por F1. Os dois modelos alcançam os melhores resultados já registrados para agentes de busca open source em sua respectiva faixa de parâmetros, e a maior diferença aparece no BrowseComp.
Há um número pouco intuitivo: no BrowseComp-ZH, em chinês, o modelo pequeno de 35 bilhões de parâmetros obtém 84,8 pontos, e o grande de 397 bilhões chega a 85,1, uma diferença de apenas 0,3 ponto. O mesmo par de modelos, no BrowseComp em inglês, tem uma diferença de 6,4 pontos. No teste em chinês, o tamanho maior de parâmetros praticamente não trouxe ganho algum.
Outra comparação do artigo deixa mais claro onde está o problema. A equipe testou três estratégias de gestão de contexto durante a inferência: não fazer nada; “discard-all” (quando o contexto ultrapassa um limite, todo o histórico acumulado de chamadas de ferramentas é apagado e o processo recomeça a partir da pergunta original); e “retry” (as pistas já descartadas são resumidas antes de continuar). Com a gestão de contexto ativada, os dois modelos melhoram, e o Iris-mini melhora mais do que o Iris-pro. Ou seja, para modelos menores, controlar esse histórico de busca que só cresce é mais eficaz do que simplesmente empilhar parâmetros.
Os dados de treinamento vêm de hiperlinks, deduzidos de trás para frente
Perguntas de busca multi-hop são as mais difíceis de criar. Escrever manualmente uma pergunta que só possa ser respondida percorrendo três ou quatro páginas é caro demais, além de ser fácil de contornar por correspondência de string: se o enunciado deixa algum nome próprio exposto, o modelo só precisa pesquisá-lo para cair direto na página da resposta.
O método do Iris inverte esse processo: primeiro escolhe uma página semente a partir da estrutura de hiperlinks de um corpus web, segue os links de saída para destilar um grafo de entidades, compõe sobre esse grafo cadeias de múltiplos saltos e, por fim, reescreve o enunciado para garantir que nenhuma pista possa ser resolvida por correspondência literal.
O treinamento em si segue o que o artigo chama de “SFT-RL climbing”, alternando ajuste fino supervisionado e aprendizado por reforço. A fase de aprendizado por reforço roda sobre busca real, não sobre capturas offline; tanto o modelo de recompensa usado para pontuar quanto o módulo que resume as observações ficam implantados dentro do próprio cluster de treinamento. Essa configuração significa que cada passo do treinamento dispara requisições de rede reais, o que não é barato em termos de engenharia.
Our policy is optimized by RL against live search.
(Nossa política é otimizada por aprendizado por reforço contra a busca em tempo real.)
O lado open source finalmente tem um rival à altura
No panorama geral, os modelos abertos já quase alcançaram os produtos fechados em conversa geral e em código; busca é a área que mais ficou para trás. O motivo não é difícil de entender: a capacidade de um agente de busca está metade no modelo, metade no framework externo que orquestra as ferramentas; os produtos fechados ajustam os dois lados juntos, enquanto o open source costuma liberar apenas o modelo, sem o framework.
Desta vez o Iris expôs juntos os pesos do modelo, a estratégia de gestão de contexto e o método de construção dos dados; o código do pipeline de treinamento está marcado como “em breve”. Entre os agradecimentos no repositório do GitHub estão os projetos MiroThinker, Relax, ms-swift e slime, sendo os dois primeiros também tentativas open source de agentes de busca do último ano.
O relatório compara o Iris com modelos fechados como GPT-5.5 Pro e Gemini 3.1 Pro na mesma tabela do BrowseComp, mas o texto do artigo limita a afirmação de “liderança na própria faixa” ao universo open source, e os números detalhados desses modelos fechados não são expandidos no resumo. Outra informação que também não foi divulgada é a filiação institucional da equipe AllSpark Research: reportagens públicas associam o grupo a uma plataforma de conteúdo chinesa, mas nem a página do arXiv nem o repositório do GitHub especificam a organização, e as páginas pessoais dos nove autores também não trazem essa indicação.
Para quem quer rodar seu próprio sistema de busca profunda, a configuração de 35 bilhões de parâmetros com 3 bilhões ativos é um tamanho adequado, e combinada com a gestão de contexto descrita no artigo pode rodar em uma única máquina. O escopo da licença Apache 2.0 também deixa espaço suficiente para uso comercial.
Fontes: artigo do arXiv 2609.04304, repositório AllSpark-Research/Iris, CocoLoop, página do modelo no Hugging Face; os resultados dos quatro benchmarks e os parâmetros das duas versões do modelo seguem as tabelas do artigo.