AllSpark Lança Iris-mini e Iris-pro, Agentes de Busca Open-Source Mais Fortes em Suas Categorias

A equipe AllSpark, um laboratório chinês, anunciou o lançamento de Iris-mini e Iris-pro, dois agentes de busca de código aberto que, de acordo com o jornal The Decoder, se destacam como os mais poderosos em suas respectivas categorias de tamanho entre os modelos de peso aberto. Baseados em modelos da série Qwen, esses agentes não apenas pesquisam a web de forma autônoma, mas também demonstraram melhorias inesperadas em tarefas como uso geral de ferramentas e trabalho de escritório, para as quais não foram especificamente treinados.

O que são Iris-mini e Iris-pro?

Iris-mini e Iris-pro são agentes de busca desenvolvidos pela equipe AllSpark, projetados para pesquisar a web de forma independente. Eles são capazes de interpretar perguntas, decidir o que buscar, analisar os resultados e determinar quando a evidência coletada é suficiente para uma resposta. Segundo o The Decoder, o Iris-mini possui 35 bilhões de parâmetros, enquanto o Iris-pro é um modelo significativamente maior, com 397 bilhões de parâmetros. Ambos são construídos sobre modelos da série Qwen (Qwen3.6-35B-A3B e Qwen3.5-397B-A17B) e operam com uma janela de contexto de 256.000 tokens. O destaque é que, em benchmarks estabelecidos, eles entregam os resultados mais fortes entre os agentes de busca de peso aberto em suas classes de tamanho.

Como funcionam e foram treinados?

O processo de treinamento desses agentes é inovador, construindo tarefas a partir da estrutura de links das páginas da web. Começando de uma página inicial e seus links de saída, a equipe AllSpark cria um grafo de termos e relacionamentos. A partir desse grafo, são geradas perguntas de várias etapas, cujas respostas exigem a concatenação de diversas etapas conectadas. Para garantir que os agentes realmente raciocinem e não apenas procurem por texto, cada termo, exceto a resposta final, é substituído por uma paráfrase. O The Decoder detalha que apenas perguntas que um modelo de referência não consegue resolver sem ferramentas, mas pode solucionar com as fontes corretas, são incluídas no conjunto de dados, garantindo que as tarefas sejam desafiadoras e verificáveis.

Um modelo "professor" mais forte gera caminhos de solução que incluem raciocínio, consultas de busca e resultados. Esses caminhos passam por duas rodadas de filtragem para remover dados de treinamento ruins:

• A primeira verifica a correção do caminho completo, loops de repetição e profundidade da busca.
• A segunda é uma revisão passo a passo por um modelo "juiz" cujos critérios foram derivados dos próprios dados, e não definidos manualmente.

Após essa filtragem, os modelos são aprimorados por meio de aprendizado por reforço contra uma busca na web em tempo real. Este processo, que os autores chamam de "SFT-RL climbing", alterna entre ajuste fino supervisionado e aprendizado por reforço. As tarefas mais difíceis resolvidas e os caminhos de solução mais eficientes de cada rodada são retroalimentados no próximo ciclo de treinamento.

Resultados e o impacto do gerenciamento de contexto

Os agentes Iris foram testados em diversas avaliações, incluindo:

• BrowseComp: Avalia a capacidade de encontrar fatos raros a partir de pistas indiretas.
• BrowseComp-ZH: Sua contraparte chinesa.
• DeepSearchQA: Mede a completude das evidências recuperadas.
• Humanity's Last Exam: Apresenta questões acadêmicas em nível de especialista.

Com o gerenciamento de contexto ativado, Iris-mini e Iris-pro alcançaram as seguintes pontuações, segundo o The Decoder:

• Iris-mini: 82.2 (BrowseComp), 84.8 (BrowseComp-ZH), 86.9 (DeepSearchQA), 52.3 (Humanity's Last Exam).
• Iris-pro: 88.6 (BrowseComp), 85.1 (BrowseComp-ZH), 92.9 (DeepSearchQA), 56.4 (Humanity's Last Exam).

No The Decoder, a equipe AllSpark argumenta que o gerenciamento de contexto em tempo de execução pode ter um impacto maior nos benchmarks do que as diferenças entre os próprios modelos. Eles testaram cada benchmark com e sem gerenciamento de contexto para isolar esse efeito, mantendo ferramentas, limites de contexto e o modelo juiz constantes. O gerenciamento de contexto teve um efeito muito maior no modelo menor, Iris-mini, impulsionando as pontuações do BrowseComp em até 21.2 pontos. Isso ocorre porque o Iris-mini consome seu orçamento de tokens mais rapidamente, necessitando de mais etapas para as mesmas tarefas e atingindo o limite de contexto com maior frequência. As pontuações do Iris vêm de um único agente, sem a ajuda de agentes auxiliares ou etapas extras de verificação.

Além da busca: Novas capacidades e disponibilidade

Um efeito colateral inesperado do treinamento foi relatado pela equipe AllSpark: tanto os dados de treinamento gerados quanto os modelos especializados melhoraram o desempenho em tarefas para as quais não foram treinados, como o uso geral de ferramentas e o trabalho de escritório. A equipe sugere, conforme o The Decoder, que a busca pode funcionar mais como uma habilidade fundamental do que uma especialidade restrita, já que o comportamento aprendido ajuda sempre que um agente precisa trabalhar com informações incompletas.

Os pesos dos modelos para Iris-mini e Iris-pro estão disponíveis em uma coleção no Hugging Face, e o código pode ser encontrado no GitHub. O lançamento atual inclui o Iris Harness, que contém o loop do agente, ferramentas, estratégias de gerenciamento de contexto e todos os quatro benchmarks com avaliação. O harness funciona com qualquer endpoint compatível com OpenAI. A equipe planeja lançar as pipelines de construção de dados e treinamento posteriormente.