搜索智能体这条赛道，正在从闭源 API 的比拼，转向开放权重模型的正面交锋。
发生了什么
据 The Decoder 报道，AllSpark 团队发布了 Iris-mini 和 Iris-pro 两款开源搜索智能体，均构建在 Qwen 系列模型之上。按论文说法，这两款模型在各自尺寸级别的开放权重模型中处于领先位置，同时其训练数据与模型在未专门训练的任务上也带来了性能提升，涉及通用工具调用与办公类工作。
需要说明的是，目前公开信息停留在「同尺寸开放权重最强」这一层，具体基准分数、模型参数量、训练细节与开源许可条款，还需以论文和模型卡为准。
为什么重要
搜索智能体是当前 agent 落地最密集的方向之一：它要求模型同时具备多轮检索、信息筛选、工具调用和结果整合能力，本质上是对「模型 + 工具 + 流程」的综合考验。过去这一能力主要被闭源模型把持，开放权重阵营往往在复杂多步任务上明显落后。
Iris 系列的价值在于两点。其一，它把「搜索智能体」这一细分能力做到了开放权重中的第一梯队，意味着开发者不必依赖闭源 API 也能搭建可用的检索型 agent。其二，论文提到训练数据与模型在未训练任务上的迁移表现——通用工具使用和办公任务——这比单纯的榜单排名更值得注意。它暗示搜索智能体的训练可能带来一种更通用的「会用工具」的能力，而不只是记住检索流程。
选择 Qwen 作为底座也符合近期的行业惯性：Qwen 系模型在开源生态中的工具调用与多语言支持积累较厚，是不少 agent 项目的默认起点。
影响与看点
对开发者而言，最直接的问题是「能不能换」。如果 Iris 系列在真实检索场景中的稳定性接近闭源方案，那么成本结构和数据可控性都会明显改善，尤其是需要私有知识库或内网检索的场景。
对行业而言，值得关注的是开放权重模型在 agent 能力上的追赶节奏。搜索智能体一旦被证明可以在开源侧做到同尺寸领先，接下来比拼的就不再是「能不能用」，而是「多步任务的成功率、工具调用的鲁棒性、以及长链路下的错误累积」。
几个具体的观察点：一是论文中的基准是否覆盖真实网页环境，而非静态问答集；二是「未训练任务上的提升」是否有可复现的评测支撑，还是仅停留在论文叙述；三是开源许可是否允许商用与二次微调，这决定了它能否真正进入生产。
一个独立判断：Iris 系列真正的看点不在榜单，而在于它是否验证了「搜索智能体训练可以外溢为通用工具能力」这一假设。如果成立，开放权重 agent 的迭代路径会比预期更快。
