Iris README

The project's README from github.com/AllSpark-Research/Iris. As one markdown file: README.md.

🤗 Hugging Face  |   💻 GitHub  |   📄 Tech Report

Iris

Climbing to the Search Frontier.

Iris-mini (35B-A3B) and Iris-pro (397B-A17B) are open-weight search agents post-trained from the Qwen3.5/3.6 series. A capable search agent has to decide what to search, how to read what comes back, when to keep going, and when the evidence it has gathered is enough. Iris is trained for exactly that loop.

Performance

30–35B

Model Size BrowseComp BrowseComp-ZH DeepSearchQA HLE
MiroThinker-1.7-mini 30B 67.9 72.3 – 36.4
FORT-Searcher 30B 72.2 75.0 – –
Apodex-1.0-mini 35B 71.5 80.6 82.2 46.8
Nex-N2-mini 35B 74.1 79.6r 87.2r 37.1r
Agents-A1 35B 75.5 – – 47.6
XYZ-Aquila-mini 35B 78.8 82.9 89.5 51.1
Iris-mini 35B 82.2 84.8 86.9 52.3

~400B

Model Size BrowseComp BrowseComp-ZH DeepSearchQA HLE
MiroThinker-1.7 397B 74.0 75.3 – 42.9
Apodex-1.0 397B 75.5 82.6 84.6 49.0
Nex-N2-Pro 397B 83.7 79.6r 92.3r 50.0r
XYZ-Aquila-pro 397B 84.8 85.1 92.5 53.3
Iris-pro 397B 88.6 85.1 92.9 56.4

DeepSearchQA is scored with F1, the rest with accuracy; HLE uses the text-only subset. Iris numbers use the discard-all context-management setting; baselines come from their public reports, each under its own context management. r reproduced by the XYZ-Aquila team.

Models

Model Base Params (total / active) Context Download
Iris-mini Qwen3.6-35B-A3B 35B / 3B 256K 🤗 Iris-mini
Iris-pro Qwen3.5-397B-A17B 397B / 17B 256K 🤗 Iris-pro

Context Management

Long-horizon search runs out of context before a hard question is resolved, so every serious system carries some mechanism for this. It is worth enough that a single published number belongs to the agent and its harness together, which is why we report every benchmark in both regimes, under one tool set, one context limit, and one judge.

Setting BrowseComp BrowseComp-ZH DeepSearchQA HLE
Iris-mini
w/o 64.7 72.3 81.0 43.2
retry – 83.0 89.1 52.0
discard-all 82.2 84.8 86.9 52.3
discard-all + retry 85.9 85.1 89.9 52.4
Iris-pro
w/o 72.6 76.8 86.4 50.8
retry – 84.1 92.3 56.6
discard-all 88.6 85.1 92.9 56.4
discard-all + retry 90.3 85.1 93.4 56.6

discard-all clears the accumulated tool history and restarts from the question once the running context crosses a threshold. retry restarts an episode that ended without a parseable answer, carrying forward a short summary of what was already ruled out. We report discard-all as the headline setting even where adding retry scores higher.

Evaluation

Iris-Harness/ is the harness behind every number above: the agent loop, the two tools, the context-management strategies, the four benchmarks and the graders. It runs against any OpenAI-compatible endpoint.

cd Iris-Harness && uv sync
uv run python data/prepare_data.py
bash scripts/run_eval.sh --base-url http://127.0.0.1:21234/v1 --llm-config iris-mini \
  --benchmarks "browsecomp:0:1" --context-discard-threshold 131072

Acknowledgements

Iris is built on open-source work, and we are grateful to the teams behind it:

Citation

If you find Iris useful in your research, please cite our paper:

@misc{liu2026irisclimbingsearchfrontier,
  title={Iris: Climbing to the Search Frontier},
  author={Ziyuan Liu and Hengqi Liu and Zichuan Wang and Yang Qin and Jiachen Liang and Xu Chu and Shaowei Chen and Yuantao Gu and Zhaokai Luo and Yao Hu and Mu Chuan},
  year={2026},
  eprint={2609.04304},
  archivePrefix={arXiv},
  primaryClass={cs.AI},
  url={https://arxiv.org/abs/2609.04304},
}

The data construction and training pipelines are coming soon.

Questions or collaboration: reach us at [email protected].

Iris (AllSpark-Research/Iris)

Searching Database…

103 ·GitHub
Iris
Что это такое?Iris — это пара моделей поисковых агентов с открытыми весами (Iris-mini, 35B-A3B, и Iris-pro, 397B-A17B), дообученных на базе серии Qwen3.5/3.6, чтобы решать, что искать, как читать результаты, когда продолжать поиск и когда собрано достаточно информации.
Это обученная модель или фреймворк?И то и другое: Iris — это пара опубликованных чекпоинтов моделей, а в репозитории также лежит Iris-Harness — код агентного цикла, инструментов и управления контекстом, которым запускают и оценивают эти модели.
Как это запустить?Скачайте веса Iris-mini или Iris-pro с Hugging Face, затем запустите их через Iris-Harness, который работает с любым эндпоинтом, совместимым с OpenAI.
Нужна ли мне какая-то конкретная базовая модель, чтобы пользоваться Iris?Iris дообучена поверх Qwen3.6-35B-A3B (для Iris-mini) и Qwen3.5-397B-A17B (для Iris-pro), поэтому она наследует архитектуры этих базовых моделей.
Могу ли я воспроизвести обучение Iris?Пока нет — опубликованы только веса моделей и harness для оценки; пайплайны подготовки данных и обучения пока не выложены.
Что за режим управления контекстом 'discard-all'?Он очищает накопленную историю вызовов инструментов и заново запускает агента с исходного вопроса, как только рабочий контекст превышает заданный порог; именно этот режим Iris указывает в качестве основного результата.
На каких бенчмарках тестируется Iris?BrowseComp, BrowseComp-ZH, DeepSearchQA и HLE (Humanity's Last Exam, подмножество только с текстом), причём DeepSearchQA оценивается по F1, а остальное — по accuracy.
В чём разница между Iris-mini и Iris-pro?Iris-mini — модель на 35B параметров с 3B активных (построена на Qwen3.6), а Iris-pro — куда более крупная модель на 397B параметров с 17B активных (построена на Qwen3.5); обе поддерживают контекстное окно 256K, и Iris-pro набирает больше баллов на каждом бенчмарке.
На каких open-source проектах построена Iris?Авторы называют MiroThinker, Relax, ms-swift и slime open-source основой, на которой была создана Iris.
What are similar projects?RSIGame, RSI-Anything, Agent-Reflex, Kimi-K3, MSA, NeoHorse, jeeves, DeepAnalyze
Which topics is it in?context-window, deep-research, reasoning, mixture-of-experts, llm-agents, autonomous-agents, search, evaluation, qwen, large-language-models, academic-research, agentic-ai
Creator
AllSpark-Research
Size
1.4 MB
Stars
103
Updated
CommitSep 28
Age
1mo
Commits · 90 Days