Iris خدام

Iris هو وكيل بحث مفتوح المصدر من فريق AllSpark ديال Xiaohongshu، فيه جوج نسخ: 35B (Iris-mini) و397B (Iris-pro). Iris كيقدر بوحدو يقرر آش يقلب عليه فالشبكة الحقيقية، كيفاش يقرا، وفاش يوقف ويعطي الجواب، وكيستعمل طريقة التدريب SFT–RL Climbing اللي كتبدل بين SFT والتعلّم بالتعزيز، من خلال بناء بيانات تدريب صعيبة وقابلة للحل انطلاقاً من الروابط التشعبية ديال الويب. حقق أقوى نتائج مفتوحة المصدر من نفس الفئة فـ4 معايير كبرى، منها BrowseComp وDeepSearchQA وHLE، ونسخة 35B قربات من نماذج فيها تريليون بارامتر، كما أن قدرة البحث كتنتاقل لمهام بحال الاستعمال العام للأدوات.

البحث الذاتي فالشبكة: كيقرر بوحدو آش يقلب عليه، كيفاش يقرا نتائج البحث، وفاش يكمل ولا يوقف، وكيقلب وكيستنتج وكيجاوب فآن واحد.
الاستدلال متعدد المراحل بين الصفحات: كيقدر يثبت الجواب الوحيد عبر عدة صفحات بالتدريج، بلا ما يعتمد غير على مطابقة الكلمات المفتاحية.
البحث المعقد بالصينية والإنجليزية: حقق أقوى نتائج مفتوحة المصدر من نفس الفئة فمهام البحث فصفحات الويب بالصينية والإنجليزية، بحال BrowseComp وBrowseComp-ZH.
الإجابة مع تغطية الأدلة: كيغطي سلسلة الأدلة كاملة فالإجابة، وكيقدم أداء متقدم فـDeepSearchQA.
حل المسائل بمستوى الخبراء: كيقدر يتعامل مع مسائل صعيبة بزاف بحال HLE، اللي كتحتاج استدلال بمستوى الخبراء.
تدبير السياق: كيدعم استراتيجيات بحال القطع والضغط، باش البحث الطويل ما يتقطعش، وكيبان النفع ديال هاد الشي خصوصاً مع النماذج الصغيرة.
انتقال القدرات: كيقدر، بلا تدريب مخصص، ينجز مهام بحال الاستعمال العام للأدوات والتعاون فالأعمال المكتبية.

تابعونا فـWeChat وردّو بـ«开源» باش تنضمو لمجموعة交流 ديال مشاريع الذكاء الاصطناعي مفتوحة المصدر
بناء البيانات بطريقة عكسية: كتكون صفحة البذرة هي الجواب، وكتتجمع الكيانات عبر الروابط التشعبية فشكل رسم بياني للكيانات. من بعد كتتولد فهاد الرسم أسئلة كتحتاج استدلال متعدد المراحل وعبر صفحات مختلفة، وكيعاود يتكتب كل كيان فالسؤال ماشي هو الجواب على شكل وصف باش يتحيدو المؤشرات القابلة للمطابقة. فالأخير كيتدار ترشيح مزدوج بنموذج مرجعي، وما كيبقاو غير الأسئلة اللي ما كيتجاوبش عليها بلا مراجع، ولكن كيتجاوب عليها بشكل وحيد وصحيح ملي كتتعطى الأدلة. العملية كاملة أوتوماتيكية وقابلة للتوسع مع حجم البيانات.
التدريب بالتناوب بين SFT وRL Climbing: فمرحلة SFT، كينتج نموذج المدرّس القوي مسارات باستعمال أدوات البحث الحقيقية، ومن بعد كتتدرب النماذج عليها بعد ترشيح النتائج وترشيح كل خطوة من طرف «الحَكَم». فمرحلة RL، كيتعلم النموذج وهو كيقلب فالشبكة الحقيقية؛ وفنهاية كل دورة، كترجع المسارات الأصعب والأكثر فعالية للدورة الموالية ديال SFT. وكلما قوى النموذج كتولي الأسئلة أصعب بشكل أوتوماتيكي، وكييتشكل منهج متكيف.
إدماج هندسة التدريب: التنقيط والتلخيص كيتدارو بنماذج مبنية داخلياً وسط عنقود التدريب، بلا اعتماد على أي API خارجي، باش ما تأثرش تقلبات الشبكة على دورة التدريب. وفنفس الوقت، كيتستعمل نفس الملخّص فالتدريب والاستعمال الفعلي، وكيتم تفادي الفرق بين التدريب والاستدلال.
استئناف المسارات الطويلة من نقطة التوقف: الجلسات القليلة والطويلة اللي كتعرقل العملية ما بقاتش كتترمى كاملة؛ كيتوقف الطلب على مستوى العملية، وكتكمل الخطوة الموالية من البادئة اللي سبق تبعات، وهاد الشي كيخلي GPU محافظ على استغلال مرتفع مع الجدولة المتزامنة.
بروتوكول تقييم متوافق: جميع الأنظمة المقارنة كتتقيم باستعمال نفس الأدوات والسياق ونموذج التنقيط ونفس استراتيجية تدبير السياق، وبوكيل ReAct واحد فقط. هاد الشي كيستبعد الحيل ديال أطر متعددة الوكلاء والتحقق الذاتي وقت الاختبار، وكيخلي النقاط تعكس فعلاً قدرات النموذج.

نسخ مستودع الكود: نفّذ git clone https://github.com/AllSpark-Research/Iris باش تحصل على كود الاستدلال والتقييم.
تحميل أوزان النموذج: حمّل أوزان Iris-mini (35B) ولا Iris-pro (397B) من مجموعة HuggingFace: huggingface.co/collections/AllSpark-Research/iris.
تهيئة بيئة التشغيل: ثبّت الاعتماديات حسب متطلبات المستودع، بحال أطر الاستدلال vLLM/SGLang، ووجّد واجهة أدوات البحث، حيث البحث المتصل بالإنترنت شرط أساسي لوكيل البحث.
تحميل النموذج وربط الأدوات: حمّل النموذج على شكل وكيل ReAct، وسجّل محرك البحث كأداة يقدر النموذج يستعملها.
طرح السؤال وتشغيل الاستدلال: دخل السؤال، وغادي يخطط النموذج أوتوماتيكياً لاستعلامات البحث، ويقرا صفحات الويب، ويدير استدلال متعدد المراحل، ومن بعد يعطي جواباً مدعوماً بالأدلة.

أقوى نتائج مفتوحة المصدر من نفس الفئة: متفوق بشكل شامل على النماذج مفتوحة المصدر من نفس الحجم فـ4 معايير للبحث، وهي BrowseComp وBrowseComp-ZH وDeepSearchQA وHLE، وIris-pro بحجم 397B تفوق فبعض الاختبارات على نماذج بحجم تريليون بارامتر.
حجم صغير قريب من النماذج الضخمة: Iris-mini بحجم 35B جاب 82.2 نقطة فـBrowseComp، وقرب من نماذج فيها أضعاف كثيرة من البارامترات بحال Kimi-K2.6، وخلّى النماذج الصغيرة قادرة تنافس النماذج الضخمة فمجالات محددة.
بناء البيانات أوتوماتيكي وبجودة عالية: كيتبناو الأسئلة عكسياً من الروابط التشعبية ديال الويب، وكتتحيد المؤشرات القابلة للمطابقة، وكيتم ترشيح مزدوج باش تكون الأسئلة «صعيبة وقابلة للحل». العملية كاملة ما كتحتاجش إعداد يدوي للأسئلة وقابلة للتوسع بلا حد مع حجم البيانات.
هندسة تدريب مستقرة وفعالة: التنقيط والتلخيص مدموجين فالعنقود التدريبي، بلا اعتماد نهائياً على APIs خارجية؛ واستئناف المسارات الطويلة من نقطة التوقف كيخلي GPU خدام باستمرار، وكيقلل بزاف من عدم اليقين فالتدريب.
التطابق بين التدريب والاستعمال الفعلي: الملخّص اللي كيضغط محتوى البحث فالتدريب والتقييم والاستعمال الفعلي هو نفسو، وما كاينش فرق بين التدريب والاستعمال.
قدرات قابلة للتعميم: قدرة البحث كتنتاقل لمهام ما كانش فيها تدريب مخصص، بحال الاستعمال العام للأدوات والتعاون المكتبي؛ والبحث كيمثل قدرة ذرية قابلة لإعادة الاستعمال.

مستودع GitHub: https://github.com/AllSpark-Research/Iris
مستودع النماذج فـHuggingFace: https://huggingface.co/collections/AllSpark-Research/iris
الورقة التقنية فـarXiv: https://arxiv.org/pdf/2609.04304

البحث المعمق وتقارير البحث: بحث تلقائي على جولات متعددة، واستدلال بين الصفحات، وتغطية كاملة للأدلة؛ مناسب لمنتجات البحث المعمق بحال أبحاث القطاعات، وتحليل المنافسين، والبحث الأكاديمي.
التحقق المعقد من الحقائق: مناسب للحالات اللي خاص فيها تثبيت الجواب عبر عدة صفحات وبمراحل متعددة، بحال تفنيد الإشاعات، والتحقق من الحقائق، والعناية الواجبة، وكل سيناريو «خاص تلقى المصدر».
البحث ثنائي اللغة بالصينية والإنجليزية: متفوق فـBrowseComp وBrowseComp-ZH، ومناسب بطبيعته للبحث فالمعلومات العابرة للحدود ضمن محتوى مختلط بالصينية والإنجليزية.
وكيل للاستعمال العام للأدوات: القدرات كتنتاقل لمهام General Tool Use بحال BFCL وτ-bench، وقدر يكون قاعدة عامة لمنتجات الوكلاء.
التعاون المكتبي (Cowork): كيقدر يبدا فمهام مكتبية بحال OfficeQA وAPEX بلا تدريب مخصص، ومناسب للدمج فمساعد مكتبي لمعالجة الأسئلة حول الوثائق ومهام المساطر.