연구진이 350억(A3B)·3970억(A17B) 파라미터 규모의 검색 에이전트 Iris-mini와 Iris-pro를 공개하고 데이터 파이프라인과 학습 레시피를 함께 제시했다. 학습 데이터는 웹 코퍼스의 하이퍼링크 구조에서 역구성한 다중 홉 질문으로, 참조 모델이 폐쇄형에서는 풀지 못하지만 근거 자료가 주어지면 풀 수 있는 문제만 채택해 실제 검색 능력을 학습하도록 설계했다. SFT와 실시간 검색 기반 강화학습을 번갈아 수행하는 'SFT-RL 클라이밍' 절차를 도입했으며, 추론 시 컨텍스트 관리를 포함/제외해 모든 벤치마크를 평가했다. 그 결과 BrowseComp, BrowseComp-ZH, DeepSearchQA, HLE에서 오픈소스 검색 에이전트 중 최고 성능(Iris-pro 기준 최대 92.9점)을 달성했다.

• •350억·3970억 파라미터 검색 에이전트 Iris-mini/Iris-pro와 학습 레시피 공개
• •웹 하이퍼링크 구조에서 역구성한 다중 홉 질문으로 실제 검색 필요 과제만 학습 데이터로 채택
• •SFT와 실시간 검색 RL을 번갈아 수행하는 'SFT-RL 클라이밍' 절차 도입
• •BrowseComp, DeepSearchQA, HLE 등에서 오픈소스 검색 에이전트 중 최고 성능 달성(Iris-pro 최대 92.9점)