Що сталося
Дослідницька команда AllSpark (судячи з контактної адреси в статті, пов’язана з Tsinghua University) 3 вересня 2026 року опублікувала на arXiv препринт «Iris: Climbing to the Search Frontier» і виклала у відкритий доступ ваги двох пошукових ШІ-агентів — Iris-mini та Iris-pro; широкого розголосу реліз набув 13 вересня після розбору The Decoder. Пошуковий агент — це не звичайний чат-бот, а модель, яка сама вирішує, що шукати в інтернеті, читає знайдене, оцінює, чи достатньо зібраних доказів, і лише потім формує відповідь; про те, через які API веб-пошуку такі агенти зазвичай отримують доступ в інтернет, ми писали окремо. За даними препринту, обидві моделі показують найкращі результати серед відкритих пошукових агентів свого розміру.
Деталі
- Iris-mini — 35 млрд параметрів, з них активні 3 млрд (архітектура MoE), навчена на базі Qwen3.6-35B-A3B — тієї самої лінійки відкритих моделей Qwen, яку часто обирають для локального запуску.
- Iris-pro — 397 млрд параметрів, активні 17 млрд (MoE, 512 експертів, 10 активні на кожен токен), база — Qwen3.5-397B-A17B.
- Обидві моделі тримають контекст 256 тисяч токенів.
- Метод навчання автори називають «SFT-RL climbing»: чергування дообучення з учителем і навчання з підкріпленням проти живого веб-пошуку. Тренувальні питання генерувалися з гіперпосилальної структури вебсторінок і переформульовувалися так, щоб відповідь не можна було вгадати за збігом тексту, а не за фактом.
Бенчмарки (за увімкненого управління контекстом, з препринту AllSpark):Бенчмарк Iris-mini Iris-pro BrowseComp 82,2% 88,6% BrowseComp-ZH 84,8% 85,1% DeepSearchQA 86,9% 92,9% HLE (Humanity’s Last Exam) 52,3% 56,4%
Це власні виміри авторів препринту — незалежної перевірки спільнотою поки немає. Окремо автори зазначають: і синтетичні тренувальні дані, і самі моделі неочікувано покращили результати на завданнях, для яких їх не готували, — general tool use (тести BFCL і τ-bench) і офісні сценарії (OfficeQA, APEX).
Ваги моделей опубліковані на Hugging Face під ліцензією Apache 2.0 (вільно для комерційного використання), код агента і тестовий набір — на GitHub.
Що це означає
Кого стосується: розробників і ентузіастів, які збирають власних ШІ-агентів із доступом в інтернет (RAG-системи, дослідницькі боти) і шукають відкриту альтернативу закритим API пошукових агентів на кшталт тих, що стоять за ChatGPT чи Perplexity.
Ризик/можливість — з масштабом: Iris-mini (35 млрд параметрів, 3 млрд активних) за грубою прикидкою потребує близько 70 ГБ відеопам’яті у bf16 без квантування і, ймовірно, вкладеться в 24 ГБ за 4-бітного квантування — тобто теоретично може працювати на одній топовій споживчій відеокарті (офіційних цифр щодо VRAM від AllSpark немає, це оцінка за кількістю параметрів). Iris-pro (397 млрд) за документацією авторів потребує кількох серверних вузлів або одного великого мультиГПУ-сервера — варіант лише для компаній із серйозною інфраструктурою, не для домашнього запуску.
Горизонт: ваги і код уже у відкритому доступі — спробувати можна вже сьогодні, 13 вересня 2026 року. Незалежні тести від спільноти (не пов’язані з AllSpark) зазвичай з’являються протягом кількох тижнів після релізу — тоді стане зрозуміло, наскільки цифри з препринту відтворюються на чужому залізі й у чужих завданнях.
