Iris：検索フロンティアへの登攀

要旨

我々は、35B-A3Bおよび397B-A17Bスケールで学習した2つの検索エージェントIris-miniとIris-proを、その背後にあるデータパイプラインと学習レシピとともに提示する。タスクは、Webコーパスのハイパーリンク構造から逆構成される。すなわち、シードページとその外部リンクから抽出したエンティティグラフ上でマルチホップ連鎖を作成し、解答以外のすべてのエンティティを説明的な参照表現へ書き換えることで、いかなる手がかりも文字列マッチングでは解決できないようにする。さらに、参照モデルがクローズドブックでは解けないが、支持証拠が与えられれば解ける質問のみを採用する。これらの質問はその後、軌跡（トラジェクトリ）へ変換され、SFTの前に軌跡レベルとターンレベルの両方でフィルタリングされる。続いて方策は、ライブ検索に対するRLによって最適化される。この際、報酬判定器と観測要約器は学習クラスタ内で提供され、過度に長いロールアウトはリクエストレベルで中断され、次のステップでコミット済みプレフィックスから再開される。我々はこの2段階をSFT-RLクライミングと呼ぶ手順で交互に実施し、各RLラウンドで解けた中で最も困難で最も効率的なロールアウトを次の教師ありパスへ戻す。実行時コンテキスト管理は、これらのベンチマークにおいて報告されているシステム間の差異のほとんどよりも価値があるため、我々はすべてのベンチマークを、ツールセット、コンテキスト上限、判定器を固定した上で、コンテキスト管理の有無の両方で評価する。すべての結果は単一のReActエージェントから得られたものであり、サブエージェントやテスト時検証は用いていない。コンテキスト管理を有効にした場合、BrowseComp、BrowseComp-ZH、DeepSearchQA、HLEにおいて、2つのモデルは82.2/84.8/86.9/52.3および88.6/85.1/92.9/56.4を達成し、それぞれのパラメータ範囲のオープンソース検索エージェントの中で総合的に最強の結果である。我々は、データ構築・学習・評価の完全なレシピとともにモデル重みを公開する予定である。

English

We present Iris-mini and Iris-pro, two search agents trained at the 35B-A3B and 397B-A17B scales, together with the data pipeline and training recipe behind them. Tasks are reverse-constructed from the hyperlink structure of a web corpus: we author multi-hop chains over an entity graph distilled from a seed page and its out-links, rewrite every non-answer entity into a descriptive reference so that no clue can be resolved by string matching, and admit only questions that a reference model fails closed-book yet solves once the supporting evidence is supplied. These questions are then turned into trajectories, which are filtered at both the trajectory and the turn level before SFT. The policy is then optimized by RL against live search, with the reward judge and the observation summarizer served inside the training cluster, and with over-long rollouts interrupted at the request level and resumed from their committed prefix at the next step. We alternate the two stages in a procedure we call SFT-RL climbing, returning the hardest solved and most efficient rollouts of each RL round to the next supervised pass. Because inference-time context management is worth more on these benchmarks than most reported differences between systems, we evaluate every benchmark both with and without it, holding the tool set, the context limit, and the judge fixed. All results come from a single ReAct agent, with no sub-agents and no test-time verification. With management enabled, on BrowseComp, BrowseComp-ZH, DeepSearchQA, and HLE the two models reach 82.2/84.8/86.9/52.3 and 88.6/85.1/92.9/56.4, the strongest overall results among open-source search agents in their respective parameter ranges. We plan to release the model weights together with the complete recipe for data construction, training, and evaluation.