아이리스 미니·프로, 동급 오픈 소스 검색 에이전트 중 최강
중국 연구소 AllSpark가 350억과 3,970억 파라미터의 오픈 소스 검색 에이전트 Iris-mini와 Iris-pro를 전체 학습 레시피와 함께 공개했습니다. 두 모델은 웹 링크 구조에서 역설계된 다단계 질문과 2단계 필터링, 강화학습으로 학습되어 동급 오픈 소스 검색 에이전트 중 최고 성능을 기록했습니다. 학습되지 않은 일반 도구 사용·사무 작업에서도 성능이 향상되었다는 점과 컨텍스트 관리가 벤치마크 결과에 미치는 영향을 분석한 점이 주목할 만합니다.
Iris-mini와 Iris-pro는 동급 오픈 웨이트 검색 에이전트 중 최강이다 조나단 켐퍼 2026년 9월 13일
AllSpark 팀이 두 개의 오픈 소스 검색 에이전트 Iris-mini와 Iris-pro를 완전한 학습 레시피와 함께 공개했다. 논문에 따르면, 학습 데이터와 모델은 일반 도구 사용이나 사무 작업 등 학습된 적 없는 작업에서도 성능을 향상시켰다.
언어 모델 기반 검색 에이전트는 스스로 웹을 조사한다. 질문을 이해하고, 무엇을 검색할지 결정하고, 결과를 해석하며, 답변에 충분한 증거가 모였는지 판단해야 한다. 이 중 모델이 실제로 얼마나 수행하는지는 논쟁의 여지가 있다. 기존 벤치마크에서 이런 유형의 최고 수준 AI 시스템들은 대부분 학습 중 이미 습득한 지식을 확인하는 데 웹을 사용한다.
새 논문에서 중국 연구소 AllSpark는 서로 다른 크기의 두 검색 에이전트를 소개한다. Iris-mini는 350억 파라미터, Iris-pro는 3,970억 파라미터다. 둘 다 Qwen 시리즈 모델(Qwen3.6-35B-A3B와 Qwen3.5-397B-A17B)을 기반으로 하며, 256,000 토큰 컨텍스트 윈도우에서 작동하고, 각 크기 등급의 오픈 웨이트 검색 에이전트 중 가장 강력한 성적을 낸다고 팀은 밝혔다.
학습 질문은 웹 링크 구조에서 역설계된다. 학습 파이프라인은 웹페이지의 링크 구조로부터 거꾸로 과제를 만든다. 시드 페이지와 그 외부 링크에서 시작해 용어와 관계의 그래프를 구축한다. 이 그래프에서 여러 연결된 단계를 연결해야 답할 수 있는 다단계 질문을 생성한다. 최종 답을 제외한 모든 용어는 바꿔쓰기(paraphrase)로 대체되어 단순 텍스트 검색으로는 단서를 찾을 수 없다. 에이전트는 그냥 조회하는 게 아니라 추론해야 한다. 참조 모델이 도구 없이는 풀 수 없지만 올바른 소스가 있으면 풀 수 있는 질문만 데이터셋에 들어간다. 이렇게 과제는 어렵고 명확하게 검증 가능하게 유지된다.
2단계 필터링으로 잘못된 학습 데이터를 걸러낸다. 더 강한 교사 모델이 추론, 검색 쿼리, 결과로 구성된 해결 경로를 생성한다. 이 경로는 2轮의 필터링을 거친다. 첫 번째는 전체 경로의 정확성, 반복 루프, 검색 깊이를 검사한다. 두 번째는 판정 모델의 단계별 검토로, 그 기준은 사람이 정한 것이 아니라 데이터 자체에서 도출되었다고 논문은 밝힌다. 그 후 실시간 웹 검색을 상대로 한 강화학습으로 모델을 개선한다. 판정 모델과 결과 요약은 학습 클러스터 내에서 팀 자체의 대형 Qwen 모델로 실행되어 학습이 외부 서비스에 의존하지 않는다.
지도 미세조정(SFT)과 강화학습(RL)이 교대로 진행되는 과정을 저자들은 'SFT-RL 클라이밍'이라 부른다. 각 라운드에서 해결된 가장 어려운 과제와 가장 효율적인 해결 경로가 다음 학습 주기에 반영된다.
컨텍스트 관리가 모델 차이보다 더 중요할 수 있다. 팀은 흔한 벤치마크에서 실행 시점의 컨텍스트 관리가 시스템 간 보고된 격차보다 더 큰 차이를 만드는 경우가 많다고 주장한다. 긴 조사 세션 동안 에이전트가 모든 하위 질문을 해결하기 전에 컨텍스트가 가득 찰 수 있다. 대화 기록을 버리는 같은 트릭은 조사를 인위적으로 연장하지만 모델의 실제 품질에 대해서는 별 말을 해주지 못한다. 이 효과를 분리하기 위해 팀은 도구, 컨텍스트 한도, 판정 모델을 고정한 채 모든 벤치마크를 컨텍스트 관리 있음/없음으로 각각 테스트한다. 관리를 켠 채로만 보고된 결과는 모델에서 오는 부분과 그 주변 스캐폴딩에서 오는 부분을 깔끔하게 분리할 수 없다. Iris 점수 또한 단일 에이전트에서 나온 것으로, 보조 에이전트도 없고 마지막에 추가 검증 단계도 없다.
4개 벤치마크에서의 결과 테스트는 간접 단서로 희귀 사실을 찾는 능력을 시험하는 BrowseComp, 그중국어 버전인 BrowseComp-ZH, 검색된 증거의 완전성을 평가하는 DeepSearchQA 등을 다뤘다.