Summary
Iris 是 35B-A3B 与 397B-A17B 两档 search agent 的技术报告：训练数据从 web 超链接图反向构造多跳题（把非答案实体全部改写成描述性指称、只保留 reference model 闭卷答错但给证据能答对的题），训练用 SFT 与 live-search RL 交替的 SFT–RL climbing。真正有校准价值的不是分数，而是它固定 tool set / context limit / judge、把 inference-time context management（CM）开关单独拆出来报告——同一模型在 BrowseComp 上开关 CM 的差距达 17.5 至 21.2 分，是它对同尺度最强开源对手 3.4 至 3.8 分领先的五倍以上。
Problem & Motivation
论文的出发点不是”再涨几分”，而是一个测量问题：当前 search agent 之间报告出来的差距，有多少来自 policy，有多少来自 inference-time harness。长程搜索会在 agent 解完所有约束之前耗尽 context，使得有效搜索预算远小于名义 context window；现有系统用 trajectory summarization、state compression、选择性历史删除或整体 reset 来补救，而这些手段的收益在多数论文里与模型能力混在同一个数字里报告。作者的立场是 CM 应当被视为 inference system 的一部分而非实现细节，只报 managed-context 结果会掩盖能力来源。
第二个问题在数据侧：自然网页问题对训练来说太容易，人工出题贵且不可扩展。已有做法沿超链接图或知识图遍历并遮蔽路径上的实体（WebSailor / WebShaper / DeepDive 一支），但遮蔽后的题仍可能被字符串匹配绕过，或者根本没有唯一可验证答案。
Method
1. 数据管线：从超链接图反向构造
三阶段。Web-graph construction：把语料建成有向图 G=(V,E)，节点是页面、边是超链接；用 answer-anchored 模式先固定目标答案实体再取描述它的页面作为 seed v0，沿 out-link 展开成局部子图 G_sub，页面全文按固定预算截断。由于 reader 服务会剥掉行内 anchor，作者用语料的 RDF 三元组镜像加上渲染后的页面 markup 两路合并来恢复真实 out-link 集合。
Task synthesis：先把 G_sub 蒸馏成紧凑实体图 G_e=(V_e,R_e)，只保留位于通往 seed 主题的多跳路径上的实体与关系；再在 G_e 上生成初始问题与推理路径 (q0, P)，硬约束 |P| ≥ N 且答案 y 不出现在 q0 中；最后用 abstraction operator A 把每个非答案实体重写成描述性指称，要求 name(e) 与 alias(e) 都不出现在 A(e) 里且 A(e) 唯一确定 e。这一步是与遮蔽式做法的关键差别——遮蔽留下空位，改写则要求 agent 先做消歧再检索。
Dual-criteria verification：同一个 reference model 跑两遍，闭卷答错（difficulty）且喂入 G_e 后答对（solvability），两者同时成立才收题。solvability 用实体图而不是”答案在网上存在”作为 oracle，条件更严。
2. SFT：轨迹级粗筛 + 回合级细筛
teacher M_T 在 ReAct 范式下用工具集 {search, scrape} 解题，每个 observation 是当场生成的文档级摘要而非原始页面。
粗筛三个闸门：correctness（成功终止且 LLM judge 判对）、non-degeneracy、non-trivial depth（工具调用轮数 ≥ K）。退化检测的主检测器是滑窗 zlib 压缩比 ρ_cr(w) = |w| / |zlib(w)|，任何窗口超过阈值即判为循环——重复文本压缩率远高于流畅文本，因此这个 O(n) 检测器与循环周期和起点无关；辅助检测器补上周期性重复行、长单字符串、参数逐字节相同的连续工具调用。最后按完整 message 序列做逐字节去重。
细筛处理”整条轨迹对、但某一回合差”的情况。难点在于孤立看起来浪费的一步往往是合法探索，且流程里没有人。作者的做法是让 judge 先自由批评一批轨迹，把反复出现的失败模式归纳成显式 rubric 再用于最终判分——rubric 由数据诱导而非手写。judge 对每个 assistant 回合输出 keep/mask，单条轨迹最多 mask 10% 的回合；被 mask 的回合仍留在 context 里但不进 loss。训练目标是带 per-turn mask 的 teacher forcing，observation / user / system token 天然零 loss，可见历史由 harness 的 replay operator 从 append-only 会话重建，保证与推理时逐字节一致。
3. RL：request-level partial rollout + 集群内 GenRM
group-relative policy gradient，对 live search 训练。长程 rollout 有重尾，少数会话拖住同步步；作者不在 task 级流式丢弃，而是在 request 级中断：一步提交够数后中止 over-sampled 的在飞会话，下一步从已提交前缀恢复。rollout 组织成一片森林，节点是 message state，各自缓存 token、loss mask、log-prob 与权重版本差；恢复的轨迹因此是拼接了不同 policy 权重下前缀的一条路径，用 truncated importance sampling 校正，代价是约 2 倍 over-sampling 的余量。
reward 与摘要都不走外部 API：训练集群内与 actor / rollout 引擎并置若干 in-house Qwen3.5-397B-A17B 的 FP8 引擎，一方面作 GenRM 对抽取出的答案给二值判定（不加 format 项，因为空答案或被截断的答案抽取为空、不调 judge 就已经是 0），另一方面把每个检索页压成 query-relevant 摘要作为 observation。作者明确声明这是 rollout 中唯一的 context 削减机制，没有 message history 剪枝也没有滑窗，因此 policy 条件的 context 与被训练的 context 完全一致。
4. SFT–RL climbing
每一轮 RL 之后，把少量高质量 rollout 蒸馏回 policy 再继续 RL，一个循环称为一次 climb。选题条件是组内 pass rate 满足 0 < R̄(q) ≤ 1/2（可解但不稳定），成功 rollout 中要求工具轮数 ≥ K_rft，再取工具轮数最短的那条。深度约束滤掉侥幸解，最短约束抑制冗余搜索。难度带由当前 policy 的 pass rate 定义，因此随 policy 变强自动右移，构成自定步长的 curriculum，候选池枯竭即为天然停止信号。论文写”更多细节将在未来发布”。
5. 评测协议
Iris-mini 从 Qwen3.6-35B-A3B 初始化、Iris-pro 从 Qwen3.5-397B-A17B 初始化，均为 MoE、256K context；SFT 训 2 epoch、global batch 64、最大序列长度 262,144；RL 用开源 Relax 框架。防泄漏在三处拦截 huggingface.co/datasets 与 huggingface.co/spaces：搜索结果里剔除、scrape 时拒绝、以及 tool manager 里的事后 guard（覆盖模型凭记忆直接给出 URL 的情况）。评测为单次 rollout 的 pass@1，用各 benchmark 官方 prompt 的 LLM judge，DeepSearchQA 用 F1、其余用 accuracy，HLE 取 text-only 子集，全部 benchmark 共享同一套工具集、context 上限与最大轮数预算。
Key Results
主表（Table 1，各系统均开 CM；Iris 一律报 discard-all）
| Model | Size | BrowseComp | BrowseComp-ZH | DeepSearchQA | HLE |
|---|---|---|---|---|---|
| Agents-A1 | 35B | 75.5 | – | – | 47.6 |
| Apodex-1.0-mini | 35B | 71.5 | 80.6 | 82.2 | 46.8 |
| XYZ-Aquila-mini | 35B | 78.8 | 82.9 | 89.5 | 51.1 |
| Iris-mini | 35B | 82.2 | 84.8 | 86.9 | 52.3 |
| Nex-N2-Pro | 397B | 83.7 | 79.6 | 92.3 | 50.0 |
| XYZ-Aquila-pro | 397B | 84.8 | 85.1 | 92.5 | 53.3 |
| Iris-pro | 397B | 88.6 | 85.1 | 92.9 | 56.4 |
| Kimi-K3 | 2.8T | 91.2 | – | 95.0 | 56.0 |
| Apodex-1.0-H | – | 90.3 | 84.1 | 94.4 | 60.8 |
| Claude Fable 5 | – | 88.0 | – | 94.2 | 64.5 |
- 35B 段 Iris-mini 拿下四项中的三项，BrowseComp 超同段最强的 XYZ-Aquila-mini 3.4 分（82.2 vs 78.8），但 DeepSearchQA 的 86.9 低于对方的 89.5——这一项论文正文明确写出。
- 397B 段 Iris-pro 四项领先或持平：BrowseComp 超 XYZ-Aquila-pro 3.8 分、HLE 超 3.1 分、DeepSearchQA 最高 92.9、BrowseComp-ZH 与对方并列 85.1。
- 作者自陈仍落后最强 frontier / heavy-compute 系统（Kimi-K3 BrowseComp 91.2 与 DeepSearchQA 95.0、Apodex-1.0-H HLE 60.8、Claude Fable 5 HLE 64.5）。
CM 消融（Table 2）——本文最有信息量的一张表
| 配置 | BrowseComp | BrowseComp-ZH | DeepSearchQA | HLE |
|---|---|---|---|---|
| Iris-mini w/o CM | 64.7 | 72.3 | 81.0 | 43.2 |
| Iris-mini discard-all | 82.2 (+17.5) | 84.8 (+12.5) | 86.9 (+5.9) | 52.3 (+9.1) |
| Iris-mini discard-all + retry | 85.9 (+21.2) | 85.1 (+12.8) | 89.9 (+8.9) | 52.4 (+9.2) |
| Iris-pro w/o CM | 72.6 | 76.8 | 86.4 | 50.8 |
| Iris-pro discard-all | 88.6 (+16.0) | 85.1 (+8.3) | 92.9 (+6.5) | 56.4 (+5.6) |
| Iris-pro discard-all + retry | 90.3 (+17.7) | 85.1 (+8.3) | 93.4 (+7.0) | 56.6 (+5.8) |
- CM 的效应量远大于系统间差距。Iris-mini 在 BrowseComp 上开关 CM 差 17.5 分（加 retry 21.2 分），而它对同段最强对手的领先只有 3.4 分。同一模型的两个 regime 分数（64.7 → 82.2）横跨了 Table 1 中 30–35B 整段的分布（67.9 → 82.2）。
- 小模型从 CM 受益更多——四项成立三项：mini 的增益在 BrowseComp（17.5 vs 16.0）、BrowseComp-ZH（12.5 vs 8.3）、HLE（9.1 vs 5.6）上高于 pro，但 DeepSearchQA 反向（5.9 vs 6.5）。作者的解释是预算大小相同、消耗速度不同——小模型解同一组约束需要更多步，更常触顶，CM 能捞回的也更多。该解释与例外一致：DeepSearchQA 恰是三项测试中 no-CM 基线最高（mini 81.0 / pro 86.4）、即最不受 context 耗尽支配的一项。但这是四点数据上的事后拟合，作为可证伪假设记录，不作结论。
- 增益排序由”多久耗尽 context”决定，不由 headroom 决定：HLE 的 no-CM 基线最低（43.2）却增益小于 BrowseComp，因为 HLE 的缺口是领域知识而非 context，延长搜索视野收不回多少。这是一个可证伪的机制断言而非事后合理化。
- 无 CM 对照：Iris-mini 的 64.7 / 72.3 高于同样报告无 CM 结果的 FORT-Searcher（55.9 / 62.1）、OpenSeeker-v2（46.0 / 58.1）、REDSearcher（42.1 / 49.8）；Iris-pro 再高 7.9 / 4.5 分。
- BrowseComp-ZH 的天花板信号：三个配置（mini discard-all+retry、pro discard-all、pro discard-all+retry）落在完全相同的 85.1，在 289 题上即 246 题正确，作者据此推断剩余性能受模型容量以外的因素约束。Appendix A 给出佐证：BrowseComp-ZH 第 85 题官方答案为 Lannister，而按剧情 Sansa Stark 的第二次正式婚姻对象是 Ramsay Bolton，系统答 Bolton 被判错。
- retry 被主动排除在 headline 之外：discard-all + retry 在多数设置下最好并把 Iris-pro 推过 90（BrowseComp 90.3），但每次 retry 要再跑一整轮搜索，作者因此在 Table 1 一律报 discard-all。
Evidence Ledger
| Claim ID | Claim | Type | Source locator | Evidence excerpt | Status |
|---|---|---|---|---|---|
| C1 | discard-all 下 Iris-mini 82.2/84.8/86.9/52.3、Iris-pro 88.6/85.1/92.9/56.4（BrowseComp / BC-ZH / DeepSearchQA / HLE） | number | Abstract; Table 1 | ”the two models reach 82.2/84.8/86.9/52.3 and 88.6/85.1/92.9/56.4” | source-verified |
| C2 | 无 CM 时 Iris-mini 64.7/72.3/81.0/43.2、Iris-pro 72.6/76.8/86.4/50.8 | number | Table 2 | ”Iris-mini (35B) w/o 64.7 72.3 81.0 43.2 … Iris-pro (397B) w/o 72.6 76.8 86.4 50.8” | source-verified |
| C3 | CM 增益 mini 大于 pro：BrowseComp +17.5 / +21.2 对 +16.0 / +17.7 | number | Table 2; §4.3 | ”discard-all 82.2 (+17.5) … discard-all + retry 85.9 (+21.2)“ | source-verified |
| C4 | Iris-mini BrowseComp 超 XYZ-Aquila-mini 3.4 分但 DeepSearchQA 低于其 89.5；Iris-pro 超 3.8 / 3.1 分、BC-ZH 并列 85.1 | comparison | §4.2; Table 1 | ”outperforms … by 3.4 points (82.2 vs. 78.8). On DeepSearchQA … 86.9, which remains below XYZ-Aquila-mini (89.5)“ | source-verified |
| C5 | 全部结果来自单个 ReAct agent，无 sub-agent、无 test-time verification | benchmark-setting | Abstract | ”All results come from a single ReAct agent, with no sub-agents and no test-time verification.” | source-verified |
| C6 | 作者自陈仍落后最强 frontier 系统；Table 1 frontier 段含 Kimi-K3 91.2 / 95.0、Apodex-1.0-H 94.4 / 60.8、Claude Fable 5 64.5 | comparison | §4.2; Table 1 frontier 段 | ”our models still leave a gap relative to the most capable frontier systems” | source-verified |
| C7 | 非答案实体全部改写为描述性指称；只收 reference model 闭卷失败、给证据后答对的题 | causal-mechanism | Abstract; §2.2 Eq.(6); §2.3 Eqs.(8)-(9) | “rewrite every non-answer entity into a descriptive reference … admit only questions that a reference model fails closed-book yet solves once the supporting evidence is supplied” | source-verified |
| C8 | 回合级细筛 rubric 由数据诱导，单轨迹最多 mask 10% 回合，被 mask 回合留在 context 但不进 loss | benchmark-setting | §3.1 Fine filtering | ”we mask at most 10% of the assistant turns in any trajectory. Masked turns remain in the context but are excluded from the training loss” | source-verified |
| C9 | 退化检测主检测器为滑窗 zlib 压缩比；另要求工具轮数 ≥ K | causal-mechanism | §3.1 Coarse filtering, Eqs.(12)-(13) | “Our primary detector is a sliding-window compression ratio … keep only trajectories with at least K tool-call turns” | source-verified |
| C10 | climbing 选 0 < R̄(q) ≤ 1/2、工具轮数 ≥ K_rft、取最短有效轨迹；难度带随 policy 变强自动右移 | causal-mechanism | §3.3, Eq.(17) | “We select queries with 0<R̄(q)≤1/2 … require at least K_rft tool-call turns and then select the shortest valid trajectory” | source-verified |
| C11 | 超长 rollout 在 request 级中断、从已提交前缀恢复，用 truncated importance sampling 校正，代价约 2 倍 over-sampling | causal-mechanism | §3.2 Partial rollout | ”we interrupt at the request level … resumed at the next step from their committed prefix … roughly 2× over-sampling as headroom” | source-verified |
| C12 | 集群内 FP8 Qwen3.5-397B-A17B 同时作 GenRM（二值、无 format 项）与页面摘要器；摘要是 rollout 中唯一的 context 削减机制 | causal-mechanism | §3.2, Eq.(16) | “only context-reduction mechanism in the rollout, with no message-history pruning or sliding window” | source-verified |
| C13 | 初始化自 Qwen3.6-35B-A3B / Qwen3.5-397B-A17B，256K context；SFT 2 epoch、batch 64、序列长 262,144；RL 用开源 Relax；工具集 {search, scrape} | benchmark-setting | §4.1; §3.1 Eq.(10) | “two epochs with a global batch size of 64 and a maximum sequence length of 262,144 tokens … Relax framework” | source-verified |
| C14 | 封锁 huggingface.co/datasets 与 /spaces，在搜索结果、scrape、tool manager 事后 guard 三处执行 | benchmark-setting | §4.1 | ”enforced at three points: removed from search results, refused on scrape, and caught by a post-hoc guard” | source-verified |
| C15 | 三个配置在 BrowseComp-ZH 同为 85.1，对应 289 题中 246 题正确；作者称受模型容量以外因素约束 | number | §4.3 | ”Three configurations land on exactly the same score of 85.1 … 289 questions this corresponds to 246 correct answers” | source-verified |
| C16 | 单次 rollout pass@1，官方 prompt 的 LLM judge；DeepSearchQA 用 F1、其余用 accuracy；HLE 为 text-only 子集 | benchmark-setting | §4.1 Evaluation Protocol / Benchmarks | ”single rollout (pass@1) … DeepSearchQA is evaluated using F1”; “We evaluate the text-only subset of HLE” | source-verified |
| C17 | 声称搜索数据与搜索专用 teacher 正向迁移到 BFCL / τ-bench / OfficeQA / APEX，但全文未给任何数字、表格或 setup | sota-novelty | §5 Conclusion | ”transferred positively to domains that were not explicitly targeted, including General Tool Use (BFCL and τ-bench) and Cowork” | source-verified（迁移为定性断言，无量化证据） |
| C18 | Appendix A 记录 BrowseComp-ZH 第 85 题官方答案 Lannister 与论文认定的 Bolton 冲突 | benchmark-setting | Appendix A; Figure 2 | ”the official ground truth is Lannister, whereas our search agent returns Bolton” | source-verified |
| C19 | 作者 9 人、署名团队为 AllSpark Team；arXiv v1 提交 2026-09-03，正文标注 September 4, 2026；全文未列任何机构 affiliation | license-code | §6 Contributions; arXiv abs 页 | ”Date: September 4, 2026” | source-verified（无大学/公司/实验室署名） |
| C20 | 资源为 github.com/AllSpark-Research/Iris 与 huggingface.co/collections/AllSpark-Research/iris；权重为计划发布而非已发布 | license-code | Header Resources; Abstract | ”We plan to release the model weights together with the complete recipe” | source-verified |
Strengths & Weaknesses
已知
- 把 harness 与 policy 的归因缺口从暗处搬到台面上，是本文超出模型本身的贡献。 固定 tool set、context 上限、轮数预算与 judge，只切换 CM 开关，得到的差值（BrowseComp 上 17.5 至 21.2 分）比它对同尺度最强开源对手的领先（3.4 至 3.8 分）大五倍以上。这个比例本身就是论文摘要那句”CM is worth more than most reported differences between systems”的定量兑现，且完全可从它自己的两张表读出。
- CM 增益的排序有机制解释而非事后合理化。 作者明确指出增益顺序不由 headroom 决定：HLE 的 no-CM 基线最低（43.2）却增益最小，因为它的缺口是领域知识而非 context 耗尽；BrowseComp 需要跨多步反复检索、过滤、整合，历史增长本身成为约束，reset 掉工具历史就等于在同一题上买到额外搜索。这个解释可被证伪——只要找到一个”低基线且低步数”的 benchmark 就能检验。
- 小模型 CM 增益更大的解释同样是机制性的：预算相同、消耗速度不同。这与 vault 中 2605-MaskingRegimeMap 的 regime 倒 U（弱/中/饱和三段）在结论形态上一致，但轴不同——后者的轴是 retriever recall × 模型隐式过滤能力，Iris 的轴是每题步数。两者可以合成一个更完整的条件命题。
- 数据侧的两个闸门比同族做法更严。 anchor abstraction 要求 name 与 alias 都不出现且指称唯一，比”遮蔽实体留空位”更彻底地封死字符串匹配捷径；solvability 判据用蒸馏出的实体图 G_e 作为供证上下文，比”答案在网上某处存在”是更强的可解性保证。
- 报告纪律：discard-all + retry 在多数设置更好且能把 Iris-pro 推过 90，作者仍以 discard-all 作为 headline 配置，理由是 retry 每次要再跑一整轮搜索。同样地，35B 段输掉的 DeepSearchQA 一项在正文明写。Appendix A 主动披露 benchmark 标注错误而非只当作噪声。
- 零退化检测用 zlib 压缩比是个务实设计：O(n)、与循环周期和起点无关、不需要模型调用，比逐 n-gram 匹配更适合放进大规模轨迹筛选管线。
推测
- 本文对别人提出的公平性要求，没有施加到自己的主表上。 Table 1 标注”各系统均开 CM”，但各系统的 CM 策略并不相同——论文自己说明 XYZ-Aquila 在 BrowseComp-ZH 上用了 reverify 与 reanswer，而 Iris 明确不用；表注还说明部分数字是 XYZ-Aquila Team 复现的。也就是说 Table 1 恰好是跨 harness、跨 search backend、跨抓取日期的比较，+3.4 / +3.8 这两个 headline 边际带着的正是全文所批评的那种混淆。真正 apples-to-apples 的只有 Table 2 内部的自比与无 CM 段的三个 30B 对照。
- 无 CM 段没有同尺度对手。 报告了 no-CM 结果的只有 OpenSeeker-v2、REDSearcher、FORT-Searcher 三个 30B 系统，400B 段一个都没有，因此”优势在两种 regime 下都保持”这句话对 Iris-pro 没有直接支撑。
- 命名方法全部没有消融。 全文只有两张表：Table 1 是端到端总分，Table 2 是 CM 消融。anchor abstraction、dual-criteria verification、回合级细筛（10% 上限）、partial rollout、以及标题里的 SFT–RL climbing，没有任何一项有受控对照——尤其 climbing 与”单趟 SFT 再 RL”的差值完全缺失。按本方向近期的经验（2608-ABSeeker 的 +18.0 归 CM 而方法净增益 +3.8、2606-SenseSearch 的 RL 只占约 15%、2607-SESA 的 memory-off 对照），未做拆分的头条归因应按未验证处理；本文自己那张 CM 表恰恰是这条经验最有力的新证据，却没有把同样的刀口对准 climbing。
- 统计基础偏薄。 单次 rollout pass@1、无种子、无误差棒。BrowseComp-ZH 只有 289 题，3.x 分约等于 9 至 10 题；BrowseComp 按 2504-BrowseComp 是 1266 题，3.4 分约 43 题，相对更稳。BC-ZH 上的领先与并列都应当按噪声量级读。
- 三配置同为 85.1 推不出”受容量以外因素约束”。 246/289 只说明分数相同，论文没有检查这三次是否答对同一批题；分数相同、题集不同同样可能。天花板的更直接证据其实是 Appendix A 那类标注错误，而它只给了一个案例。
不知道
- 训练规模全部缺失：合成题数量、SFT 轨迹条数、RL 步数、climbing 轮数一概未给；超参 N、K、K_rft、τ_cr、|V_e| 上限 n、out-link 采样数 k 全部保持符号形式，论文写”更多细节将在未来发布”。这份报告目前不足以复现。
- teacher M_T 从头到尾只称”a strong teacher”，未点名。若 teacher 是闭源前沿系统，“开源 recipe”的成色需要另算。
- 成本与延迟完全没有量化。只有一句定性说 retry 贵；no-CM 与各 CM 配置的 token 消耗、平均轮数、wall-clock 均未报，因此”discard-all 是默认配置”这个选择在成本口径上无法审计。
- 跨域迁移（BFCL、τ-bench、OfficeQA、APEX）没有任何数字、表格或实验设置，却承载了全文最大的概念主张——“search 更像 atomic capability 而非垂直专精”。这条只能当假说读。
- 污染只封了 huggingface.co 的两个域，对 base model（Qwen3.6 / Qwen3.5）自身的 benchmark 污染没有审计；BrowseComp 题目在博客、GitHub 镜像里同样流通。
- 权重与数据管线仍是”计划发布”，GitHub 与 HuggingFace collection 页面存在但发布状态未在论文中说明。
Mind Map
mindmap root((Iris)) Problem 系统间差距混入 harness 收益 长程搜索先耗尽 context 自然网页题太易且难验证 Method 数据管线 超链接图反向构造 非答案实体改写为描述性指称 闭卷失败 + 供证可解 双闸门 SFT 轨迹级 correctness 退化 深度 zlib 滑窗压缩比查循环 回合级 mask 上限 10 百分比 RL request 级 partial rollout truncated importance sampling 集群内 GenRM 与页面摘要 SFT-RL climbing pass rate 0 到 1/2 的难度带 取最短有效轨迹 难度带自动右移 Results mini 82.2 84.8 86.9 52.3 pro 88.6 85.1 92.9 56.4 CM 开关差 17.5 到 21.2 小模型 CM 增益更大 无 CM 段 64.7 对 FORT 55.9 仍落后 Kimi-K3 91.2 Gaps 命名方法零消融 主表跨 harness 迁移断言无数字
Connections
- WebAgent-Survey — 本方向的 canonical 专题。Iris 直接补强 §2「训练信号」的归因分解链与 §5「Context 管理」两节：它是该链条上第一个由作者自己把 harness 收益拆出来、并主张这应成为报告规范的工作，与 2608-ABSeeker（+18.0 归 CM、方法净增益 +3.8）、2606-SenseSearch（RL 只占约 15%）、2607-SESA（memory-off 对照）构成同一 pattern 的第四个数据点，但方向相反——前三个是被读者拆出来的隐藏归因缺口，Iris 是把拆分本身当作方法学卖点。
- AgentHarness-Design — 第 4 节「预算口径」审计的十项工作里只有一项 headline 建立在算力对齐对照上。Iris 的 Table 2 提供了一个新的口径样本：同模型、同工具集、同 context 上限、同 judge，只切 CM，因此它是该节意义上罕见的干净对照；但它的 Table 1 恰好落进该节点名的”基线错位”形态（跨 harness、部分数字来自第三方复现）。两者可以并列写进该 Topic 的口径审计表。
- 2603-AgentSwing — 论证”最好的静态 CM 策略随 backbone 与 benchmark 换人”（GPT-OSS-120B 上 Keep-Last-N 52.5、DeepSeek-v3.2 上 Discard-All 58.0、HLE 上 Summary 43.5）。Iris 选择在所有 benchmark 上统一用 discard-all 并明确反对按 benchmark 定制 CM，两者是同一问题上的对立立场：AgentSwing 主张按状态路由，Iris 主张统一口径优先于分数最大化。
- 2510-ContextFolding / 2510-MemAct — learned context management 的两种 formulation（结构化折叠 / 可学习编辑动作）。Iris 走的是相反路径：训练期只允许页面摘要这一种削减、不做历史剪枝，把 CM 完全推到推理期。这构成一个此前没有的对照——训练/推理 CM 的分工位置本身是设计变量。
- 2605-MaskingRegimeMap — CM 增益的 regime 依赖性。Iris 的”小模型增益更大、由每题步数而非预算大小决定”是该 regime map 的一个新轴，两者可合并成条件命题。
- 2507-WebSailor / 2509-WebSailorV2 — 图遍历 + 实体遮蔽式任务合成的前作。Iris 的 anchor abstraction（改写为唯一指称）与 dual-criteria verification（实体图作供证 oracle）是这条路线上的两处收紧。
- 2606-AgentsA1 — Iris Table 1 中的 Agents-A1 35B（BrowseComp 75.5 / HLE 47.6），与该笔记记录的数字一致。两篇都在论证”35B 可以逼近万亿级”，但 AgentsA1 的 headline 在 BrowseComp / HLE 上落后，Iris 在同两项上反超，可作为该论断的时间序列证据。
- 2607-KimiK3 — Table 1 frontier 段的 Kimi-K3（BrowseComp 91.2 / DeepSearchQA 95.0），且该笔记 C12 已记录 K3 的 91.2 用了 300K 触发的 compaction、满 1M context 不做管理时为 90.4。Iris 的 CM 论点与 K3 那条被作者放进配置说明里的对比是同一现象的两次独立观测。
- 2608-Apodex11 — Table 1 中 Apodex-1.0 / Apodex-1.0-H 的后续版本，可用于核对该系列在同批 benchmark 上的演进。
- 2504-BrowseComp / 2606-KBrowseComp — benchmark 侧。Iris Appendix A 的标注错误案例，与 KBrowseComp 暴露的非英语检索鸿沟，共同指向 BrowseComp-ZH 一类本地化变体的标注质量问题。
- 2604-DeepSeekV4 / 2506-DeepResearchAgents — discard-all 策略源自 DeepSeek-V3.2；后者提供该方向的系统 taxonomy。
- StepCreditAssignment-Survey — Iris 的回合级 fine filtering（judge 打 keep/mask、10% 上限、masked 回合留 context 不进 loss）是”把 trajectory 级标签下沉到回合级”的又一种实现，属于 SFT 侧而非 RL 侧，可补进该专题作为与 2608-ABSeeker step reward 路线并列的另一支。
Notes
- 最值得带走的一条：本文给了 search agent 领域一个可直接复用的报告规范——固定 tool set / context 上限 / 轮数预算 / judge，同时报 with-CM 与 without-CM 两个数。理由不是”更严谨”这种口号，而是它自己表里那个五倍的比例：harness 效应 17.5 分 vs 系统间差距 3.4 分。任何只报单一 regime 的结果，读者都无法判断读到的是 policy 还是 wrapper。
- 一个立即可做的检验：论文断言 CM 增益的排序由”会话多久耗尽 context”决定而非由 headroom 决定，证据是 HLE（基线最低但增益小）与 BrowseComp（增益最大）的反差。这个断言只需要一个新变量就能证伪——记录每个 benchmark 上触顶会话的比例，看它是否与增益单调对应。论文有这份数据（它必须知道何时触发 discard-all）却没有报，是最可惜的一处缺口。
- 一处方法学空白：climbing 的选题条件（0 < R̄(q) ≤ 1/2 加最短轨迹）与 rejection sampling fine-tuning 的常见配方高度重合，本文的新意主要在”难度带随 policy 自动右移”这一自定步长性质。但没有消融就无法区分收益来自 climbing 结构本身、还是仅仅来自多做了几轮 on-policy 数据的 SFT。这是一个成本很低的对照（同预算下 climbing vs 单趟 SFT+RL），值得在 repo 放出后优先看有没有。
- 署名信息异常：全文没有列出任何机构 affiliation，只有团队名 AllSpark Team 与 GitHub 组织 AllSpark-Research；主表里最关键的对手 XYZ-Aquila 也只引到一份 github.com/XYZ-AI-Lab 的技术报告、无 arXiv id。这不影响数字本身的可读性，但意味着 +3.4 / +3.8 这两个 headline 边际短期内难以第三方审计。
- repo 待挖：github.com/AllSpark-Research/Iris 与 huggingface.co/collections/AllSpark-Research/iris 均可访问（HTTP 200），权重按论文说法尚为”计划发布”。数据管线（RDF 镜像 + 页面 markup 合并恢复 out-link、anchor abstraction 的 prompt、zlib 退化检测阈值）与 RL 侧的 request-level partial rollout 实现都属于”贡献主要在实现里”的部分，适合另起一轮 repo-digest。