小红书开源 Iris，榜单分数要连 Harness 一起看

小红书 AllSpark Research 团队 9 月 14 日公开 Iris-mini 和 Iris-pro 两个搜索 Agent，权重放在 Hugging Face，代码放在 GitHub，许可证为 Apache 2.0。它们面向需要多轮联网搜索、阅读网页并整理证据的任务。

Iris-mini 基于 Qwen3.6-35B-A3B，总参数 35B、激活参数 3B；Iris-pro 基于 Qwen3.5-397B-A17B，总参数 397B、激活参数 17B。两个版本都标注 256K 上下文。参数总量和每步激活量需要分开看，前者不能直接当成每次推理的计算量。

论文介绍的训练方法，是把网页的超链接关系整理成实体图，再生成需要多步查找的问题；模型经过监督微调和强化学习，练习决定搜什么、读哪些页面、何时继续以及何时给出答案。训练数据构造和完整配方尚未随仓库发布。

官方模型卡给了两组结果。Iris-mini 在不做上下文处理时，BrowseComp 是 64.7；启用 discard-all 后是 82.2，加上 retry 后是 85.9。Iris-pro 的对应数字是 72.6、88.6 和 90.3。这里的比较使用同一套工具、上下文上限和评分器，数字来自项目方自己的评测。

discard-all 的做法并不神秘：运行中的提示超过阈值后，清掉累积的工具历史，从最初的问题重新开始。retry 只在一轮没有得到可解析答案时重启，并带上一段已经排除过的内容。它们改变的是 Agent 看到什么、何时重来，不是权重本身。

这也是 Iris 发布里最容易被忽略的地方。分数差距有一部分来自模型，另一部分来自搜索工具、上下文处理和答案解析。项目方把两种设置都列出来，说明他们知道‘模型分数’这个说法并不完整。

搜索 Agent 每找到一页资料，就会多出一段网页内容、工具返回和中间判断。任务持续得越久，早期问题和后来的噪音越容易混在一起。上下文处理把旧材料移走或清掉，模型才有机会重新围绕问题组织证据。

但清掉也会带来损失。被丢掉的页面里可能藏着一条尚未验证的线索，重启后模型需要重新搜索；retry 只携带短摘要，也可能漏掉细节。Iris 的表格说明这些选择会改变成绩，却没有告诉读者每类问题分别丢了多少信息。

因此，BrowseComp 82.2 或 88.6 应理解为‘在这套模型、工具、阈值和评分器下得到的结果’。把它剪成一句‘开源模型达到某某分’，会把系统配置从报道里删掉。

仓库同时开放 Iris-Harness，里面有 Agent 循环、搜索和抓取工具、上下文处理策略、四套基准和评分器。模型卡给出了 SGLang 服务示例和评测命令，运行时还要固定模型版本、服务端配置、搜索工具和评分器，才能和表格做有意义的比较。

基准数据不会随仓库直接分发，准备脚本会按项目说明取得所需数据；HLE 还涉及访问条件。即便命令顺利跑通，也只能说明这套已知配置可以复现一次结果，不能推出它在开放网页研究中的稳定性。

训练数据和配方尚未公开，外部团队暂时无法完整检查问题如何生成、哪些样本被筛掉、强化学习用了什么奖励。模型权重的开放，解决了下载和部署的一部分，研究过程仍有空白。

准备把 Iris 或其他搜索 Agent 放进业务的人，至少要记录模型修订版本、Harness 提交版本、上下文阈值、工具服务商、重试规则、搜索地区和评分器。少了这些字段，下一次升级后分数变了，很难判断是模型变了，还是外壳换了。

验收也要看证据能否找回、搜索调用用了多少次、压缩后是否还记得原问题，以及失败后会不会重复查同一批页面。对研究任务来说，答案碰巧正确和过程可复查是两回事。

Iris 的公开表格给了一个很实用的提醒：评测报告应该把模型和运行方法一起写清楚。等训练数据和更多复现实验出现后，才能判断它的提升有多少来自训练，有多少来自任务外壳。