AllSpark представила два поисковых агента Iris с открытыми весами

Вопросы для обучения строят по графу ссылок

Китайская лаборатория AllSpark описала в статье два поисковых агента: Iris-mini на 35 млрд параметров и Iris-pro на 397 млрд. Обе модели построены на базовых моделях серии Qwen и принимают контекст до 256 тысяч токенов. Команда называет их сильнейшими открытыми поисковыми агентами в соответствующих классах размера; это оценка разработчиков по собственному тестированию.

Данные для обучения создаются по структуре ссылок сайтов. Система берёт стартовую страницу, строит граф понятий и связей и формирует вопрос, ответ на который требует нескольких переходов. Почти все термины, кроме ответа, заменяются перефразированными формулировками, чтобы нельзя было решить задачу простым поиском совпадающего текста. В набор оставляют вопросы, которые базовая модель не решает без инструментов, но может решить с подходящими источниками.

Пути решения, созданные более сильной моделью-учителем, проходят две ступени проверки: на правильность, зацикливание и глубину поиска, а затем — пошаговую оценку судейской моделью.

Агентный поиск может помогать и за пределами веба

Команда также сообщает о неожиданном переносе навыков: обучающие данные и специализированные модели улучшали работу с инструментами и офисными задачами, которые не входили в обучение. Авторы предполагают, что поиск учит работать с неполной информацией шире, чем просто находить страницы. Это их интерпретация результатов, а не универсально доказанное свойство поисковых агентов.

В одном опубликованном примере ответ агента был признан неправильным, хотя команда отмечает, что он мог быть верен по сюжету вопроса; такой случай показывает, как оценочный эталон способен пропустить допустимый ответ. Веса доступны на Hugging Face, код и harness — на GitHub. Конвейер создания данных и обучения команда обещает опубликовать позднее.