3B小模型硬刚397B大模型，中文评测仅差0.3分

文章目录

• • 前言
  • 一、Iris 是谁：3B 的小个子，背回了一张 82.2 分的卷子
  • • 1. 先别管参数，先看它怎么"记笔记"
    • 2. 四个考场的成绩单
  • 二、最反常的数字：中文考场上，35B 差点把 397B 打平
  • • 1. 0.3 分，一场学费 3600 亿参数的较量
    • 2. 瓶颈从"知道得多"变成了"记得住"
  • 三、同一个模型，三种活法：全留着、全清空、摘要续命
  • • 1. 对照实验怎么做的
    • 2. 小模型反而涨得更多
  • 四、数据构造：把"背题"这条路焊死
  • • 1. 实体图和描述性指代
    • 2. 两道闸门
  • 五、SFT-RL 攀升：把最难的错题回炉成教材
  • 六、工程细节：断点续传，省下的都是算力
  • 七、复利效应：为什么小个子能追上大个子
  • 八、落地与边界：你要部署哪一只
  • • 1. 实用主义者的选择
    • 2. 该泼的冷水

P.S. 推荐一个大神的教程给想要了解或者学习人工智能知识的读者，这个教程里内容讲解通俗易懂且风趣幽默，对我帮助很大。我想与大家分享这个宝藏教程，请点击下方链接查看，
传送门https://blog.csdn.net/qq_74013365

前言

深夜十一点半，你工位上的咖啡已经凉了第三杯。你给一个号称"深度搜索"的智能体扔了个问题：某研究团队的三位核心作者，之前分别在哪些实验室、干过什么方向，后来为什么凑到了一起。这题得跨过四五个网页才能拼出来。

智能体开始表演了：打开第一个链接，标题正文记进脑子；打开第二个，发现线索不对，又记一笔；打开第三个，顺着引用接着跳。二十分钟后，它还在翻第 87 个页面，你屏幕右侧的工具调用记录已经滚出好几屏。

你等得起，它脑子里的显存配额等不起。等它终于停下来，给你的答案里混着三条过时信息——因为最早那条关键证据，早在第十轮就被它自己挤出了有效窗口。

这画面熟不熟悉？就像你非要同时开四十个浏览器标签页查"今晚吃什么"，最后每个标签页都觉得自己是主角，而你的胃已经饿过了劲。

遇到这种事，多数人的第一反应是换更大的模型。可更大的模型更贵啊，而且搜索历史要是无限膨胀，大模型照样扛不住。真正该改的，是它记笔记的方式。

同一个模型，换一套整理搜索历史的策略，成绩波动可能比换个基座模型还大。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事讲透了：上下文管理，比堆参数更值钱。

一、Iris 是谁：3B 的小个子，背回了一张 82.2 分的卷子

1. 先别管参数，先看它怎么"记笔记"

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"。过去大家用提示词把搜索工具串起来，模型边调 API 边组织回答，它自己其实不懂怎么搜；现在更多团队直接为搜索行为本身训练模型，把"怎么搜、什么时候该放弃、哪些证据值得留"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上了 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 3B；大的 Iris-pro 基座是 Qwen3.5-397B-A17B，总参数 3970 亿、激活 170 亿。都是混合专家结构，上下文窗口 256K，权重按 Apache 2.0 放出，评测 harness 也一并开源，谁都能原样复现。

3970 亿参数是什么概念？比我这辈子见过的参数加起来都多。但它激活的时候只动 170 亿，像极了开会时只有两个人发言、其余人负责鼓掌的部门例会。

2. 四个考场的成绩单

官方一口气报了四个基准：BrowseComp、BrowseComp-ZH、DeepSearchQA 和 HLE。BrowseComp 是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挖出藏在多轮检索之后的答案；HLE 是前沿数学与科学问题集；DeepSearchQA 按检索能否答对计分。

开上上下文管理之后：Iris-mini 是 82.2、84.8、86.9、52.3；Iris-pro 是 88.6、85.1、92.9、56.4。俩模型都在各自参数档位里拿下了开源搜索智能体的最好成绩。

二、最反常的数字：中文考场上，35B 差点把 397B 打平

1. 0.3 分，一场学费 3600 亿参数的较量

表格里最不符合直觉的是 BrowseComp-ZH 那一行：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任何东西。

0.3 分是什么概念？相当于你考试只比学霸少 0.3 分，但人家为了这 0.3 分，多交了 3600 亿参数的学费。对一个习惯"更大就是更强"的行业来说，这个数字本身就是一条新闻。就像办了年卡却只去过一次的健身房——参数办了卡，能力没出勤。

2. 瓶颈从"知道得多"变成了"记得住"

为什么？官方给了一个解释方向：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，同一条信息得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。

这也解释了 Iris 为什么把上下文管理当核心卖点——不是工程师闲着没事做优化，而是它真的卡着模型能力的上限。

三、同一个模型，三种活法：全留着、全清空、摘要续命

1. 对照实验怎么做的

最扎实的一组对照实验，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。

简化一下就是这样：

# 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)

2. 小模型反而涨得更多

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。

细想也不意外：小模型预算紧张，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；大模型靠记忆扛得住，浪费得起。

翻译成人话：富人的钱包经得起乱放几张废票，穷人的钱包里每一格都得精打细算。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——这就是为什么 Iris 的成绩都按开、关两套口径分别报告，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"这条路焊死

1. 实体图和描述性指代

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。

这就像背了满分作文去高考，结果作文题是"我的父亲"，你背的是"我的家乡"，当场在考场里表演破防。

Iris 的数据构造，第一步就把这条造假之路堵死。官方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。想背题？先背下整张实体关系网。这门槛，比考公还高。

2. 两道闸门

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。换个说法：买菜的人不挑最好看的菜，专挑最难洗的菜。

五、SFT-RL 攀升：把最难的错题回炉成教材

Iris 的训练是一个交替循环，官方给了个形象的名字：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 只有 35B 总参数、激活 3B，天生缺大模型的记忆广度，靠的就是这种"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。官方数据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：别人还在同一个坑里摔第三遍的时候，它已经把错题集背得比教材还熟。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，省下的都是算力

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，一次中断就要从头再算。这感觉就像你打单机游戏打到最终 Boss 前，突然发现存档没了——前面几百轮全白打，血压当场拉满。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、复利效应：为什么小个子能追上大个子

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。

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。

这跟我们熬夜复习是一回事：前三天你还能分清"鸦片战争"和"甲午战争"，到第四天，你已经分不清"鸦片战争"和"鸦片战争"的区别。你缺的不是脑子，是整理。

这就是"上下文管理比堆参数更值钱"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。对动辄几十上百轮工具调用的搜索任务来说，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：你要部署哪一只

1. 实用主义者的选择

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。

不过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。这跟买二手房先找验房师是一个道理——不能只听中介说"这房子风水好、格局妙、前任房主是学霸"。

2. 该泼的冷水

冷水也得泼：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。

“即将放出"这四个字，在 AI 圈的分量大概等于"等我瘦下来”。

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。

就像你家里永远找不到的那把钥匙——不是钥匙丢了，是你从来没给钥匙一个固定位置。

P.S. 推荐一个大神的教程给想要了解或者学习人工智能知识的读者，这个教程里内容讲解通俗易懂且风趣幽默，对我帮助很大。我想与大家分享这个宝藏教程，请点击下方链接查看，传送门https://blog.csdn.net/qq_74013365