深夜的工位上，你给一个号称"深度搜索"的智能体抛出一道问题：某研究团队的三位核心作者，此前分别在哪些实验室做过什么方向的工作，后来为什么聚到一起。这个答案要跨过四五个网页才能拼出来。智能体开始工作了：打开第一个链接，把标题和正文摘要记进上下文；打开第二个，发现线索不对，又记了一笔；打开第三个，顺着引用又跳转......二十分钟后，它还在翻第 87 个页面，屏幕右侧的工具调用记录已经滚出好几屏，最早找到的那条关键证据，早就被淹没在中间。你等得起，但它上下文里的显存配额等不起。等它终于停下来，给出的答案里混着三条过时信息，因为那些页面早在第十轮就被它自己挤出了有效窗口。
如果这个过程能推倒重来，你多半不会去换一个更大的模型------更大的模型意味着更高的调用成本，也扛不住无限膨胀的搜索历史。真正该改的是它整理笔记的方式。同样的模型，换一套对搜索历史的处理策略，成绩波动可能比换一个基座模型还大。小红书 AllSpark 团队开源的两个搜索智能体，正好用一组对照实验把这件事讲透了：上下文管理，比堆参数更值钱。
一、Iris 是谁：总参差一个数量级，分差只有 6.4
2026 年，搜索智能体正处在一场转向里：从"框架编排"转向"端到端训练"。过去大家把搜索工具用提示词串起来，让模型边调 API 边组织回答，模型本身并不懂得怎么搜；现在更多团队开始为搜索行为本身训练模型，把"怎么搜、什么时候该放弃、哪些证据值得保留"直接内化成权重。Iris 是这场转向里第一个拿到同量级开源标杆成绩的模型组。
9 月 3 日论文挂上 arXiv，几天后 AllSpark Research 把两个搜索智能体的权重放到了 Hugging Face。小的 Iris-mini 从 Qwen3.6-35B-A3B 后训练而来，总参数 350 亿、推理时激活 30 亿；大的 Iris-pro 基座是 Qwen3.5-397B-A17B，总参数 3970 亿、激活 170 亿。两个都是混合专家结构，上下文窗口 256K，权重按 Apache 2.0 协议放出，配套的评测 harness 也一并开源，方便任何人原样复现基准。
论文报了四个基准：BrowseComp、BrowseComp-ZH、DeepSearchQA 和 HLE。BrowseComp 是公认公认最难啃的搜索基准之一，要求模型从整个公开互联网里找出一条藏在多轮检索之后的答案；HLE 是前沿数学与科学问题集；DeepSearchQA 则按检索能否答对来计分。开启上下文管理之后，Iris-mini 的成绩是 82.2、84.8、86.9、52.3；Iris-pro 是 88.6、85.1、92.9、56.4。两个模型都在各自的参数档位里拿下了开源搜索智能体的最好成绩。
| 评测基准 | Iris-mini（35B/3B） | Iris-pro（397B/17B） | 差距 |
|---|---|---|---|
| BrowseComp | 82.2 | 88.6 | 6.4 |
| BrowseComp-ZH | 84.8 | 85.1 | 0.3 |
| DeepSearchQA（F1） | 86.9 | 92.9 | 6.0 |
| HLE | 52.3 | 56.4 | 4.1 |
二、一个反常的数字：中文榜上 35B 几乎打平 397B
表格里最不符合直觉的是 BrowseComp-ZH 这一行：350 亿参数的小模型拿 84.8，3970 亿参数的大模型拿 85.1，只差 0.3 分。同一对模型在英文 BrowseComp 上的差距却有 6.4 分。翻译成大白话：到了中文搜索这个战场，参数规模几乎没换来什么东西。对一个习惯用"更大就是更强"来衡量模型的行业来说，这个数字本身就是一条新闻。
团队在论文里给了一个解释方向：搜索智能体的瓶颈正在从"知道得多"转向"记得住"。英文页面结构规整、实体名密集，能力差距直接体现在知识广度上；中文检索路径更弯，同样一条信息要跨过不同的表述习惯才能拼起来，这时候决定胜负的不是参数量，而是谁能在几百轮工具调用里把已经找到的证据组织好、不弄丢、不重复。这也是 Iris 论文把上下文管理当成核心卖点的原因------不是工程师闲着没事做优化，而是它真的决定了模型能力的上限。
三、上下文管理实验：全留着、全清空、摘要续跑
论文里最扎实的一组对照，是同一个模型配三种上下文管理策略。什么都不做，让几百轮搜索历史全部留在上下文里；discard-all，上下文一超阈值就把积累的工具调用历史全清掉、从原问题重新开始；retry，把已经排除掉的线索先压成摘要、再继续往下走。
python
# 三种上下文管理策略的简化示意
def run_agent(question, policy):
history = []
while not converged(history):
step = model(question, history)
history.append(step)
if len(history) > MAX_STEPS:
if policy == "discard_all":
history = [] # 全清空，从原问题重来
elif policy == "retry":
history = [summarize(history)] # 线索压成摘要继续
return answer(history)结论很直白：开了上下文管理，两个模型都涨分，而且 Iris-mini 涨得比 Iris-pro 多。对小模型来说，管住那条越滚越长的搜索历史，比把参数堆上去更有效。细想一下也不意外：小模型预算更紧张，上下文被无效历史占满时，真正有用的信息很快就排不进去了；而大模型靠记忆扛得住，浪费得起。论文的原话是，推理时上下文管理的价值超过大多数系统之间的性能差距------同一个模型换个上下文策略，成绩波动比你换一个基座模型还大。这也是为什么 Iris 的成绩都按开启和关闭两套口径分别报告，两个数字之间，隔着的就是这套策略的贡献。
四、数据构造：把"背题"这条路彻底堵死
比跑分更值得看的是数据怎么造出来的。搜索智能体最怕的不是不会检索，而是靠背答案蒙对：训练数据里出现过的题目，模型记住了，考场上照着抄，分数虚高，一换真实场景就露馅。市面上不少搜索评测就是被这种数据污染拖垮的，考题泄了，分数自然好看。Iris 的数据构造，第一步就是把这条造假之路堵死。
团队从一个种子页面和它的外链里提炼实体图，沿着实体链编写多跳问题，保证答案要跳过好几个页面才能拼出来。关键一步是改写：把问题里所有非答案实体改写成描述性指代。不问"A 公司的创始人 X"，而问"那位提出某某方法、曾在某实验室任职的研究者"。字符串匹配在这种问题下彻底失效，模型没法靠检索关键词碰巧命中答案，必须真的理解语义去搜，才能把问题里的描述和页面里的实体对上。这一招直接抬高了作弊的门槛：想背题，先得背下整张实体关系网。
数据还得过两道闸。先保留"闭卷答不出、给了证据能答对"的题目，天然排除那些本来就能背的；然后在轨迹层按正确性、搜索简并度和搜索深度过滤，再在回合层用一套从数据里归纳出来的评分准则过滤，最后才进入监督微调。这套流程保证了喂给模型的是真正需要检索能力的高质量样本，而不是随手可得的网页摘要。
五、SFT-RL 攀升：把最难的错题回喂下一版教材
Iris 的训练是一个交替循环，论文给它起了个形象的名字：SFT-RL 攀升。监督微调和真实搜索环境里的强化学习轮流进行，每一轮 RL 里最难解决、且解决得最高效的回放，会被回喂给下一轮监督训练------相当于把最值钱的错题整理进下一版教材，模型在一个更接近现实的搜索环境里反复迭代，越攀越高。
这套循环对小模型尤其重要。Iris-mini 的参数只有 35B、激活 3B，天然缺乏大模型的记忆广度，靠的正是这种"错了就回炉"的训练方式，把搜索轨迹里的关键动作逐步内化成自己的行为习惯。论文里小模型涨分幅度大于大模型，训练方法的功劳不亚于模型本身。换句话说，Iris-mini 的成绩不是白捡的，是用更聪明的数据流换来的。
六、工程细节：断点续传与集群内联评判
论文里还有两个容易被忽略的工程决定。一是奖励评判器和观察摘要器直接跑在训练集群里，省掉了跨集群通信的开销；二是过长的 RL 回放会在请求级别被中断，下一步从"已提交的前缀"恢复。搜索智能体的轨迹动辄几百轮工具调用，没有断点续传机制，一次中断就要重头再算，算力浪费会非常可观。这两个决定看起来是工程细节，恰恰是让 SFT-RL 攀升能真正跑起来的前提。
七、检索轨迹的复利效应：为什么小模型能追上大模型
还有一个值得展开的细节：Iris 的上下文管理不是一次性生效的开关，而是贯穿整个检索过程的行为约束。每一次工具调用结束后，模型都要决定这段历史是原样保留、压缩成摘要，还是干脆丢弃。这个决定每轮都在做，几百轮下来，累积出的差距远比单轮看起来大。论文里把这种效应叫做检索轨迹的复利：好的策略让每一轮的上下文都保持干净，后面的检索站在更扎实的证据上继续；差的策略让每一轮都在消耗前面攒下的信息，越搜越笨。
这正是"上下文管理比堆参数更值钱"这句话的工程含义。堆参数解决的是单步能力，上下文管理解决的是整条轨迹的效率。对于动辄几十上百轮工具调用的搜索任务，后者对最终答案质量的影响，往往超过前者的边际提升。小模型之所以能追平大模型，靠的正是把每一轮检索的边界条件都收拾干净。
八、落地与边界：你要部署的是哪一只
对想自己跑一套深度搜索的开发者来说，Iris-mini 是这次发布里最实际的东西。激活 3B 的搜索智能体，意味着中等规模显卡就能起步，配上论文里那套上下文管理策略，单机就能跑起来，Apache 2.0 的授权也留足了商用空间。上手之前记得先跑官方评测 harness 复现一轮基准，用实测数据确认它在你自己的任务上的表现，而不是只信自报分数。
该泼的冷水也要泼：所有成绩目前都是团队自报，还没有第三方榜单或独立复测背书；训练流水线代码标注"即将放出"，数据与训练配方没有明确时间表；基座依赖 Qwen 系，能力上限有一部分是继承来的。跑分数字过几个月就会过时，但"上下文管理比堆参数更值钱"这条工程判断，大概会用得比模型本身久。下一次再遇到搜索智能体"越搜越笨"，你会知道，问题多半不在模型，而在它身后那条没人整理的搜索历史。