L’essentiel
- Le laboratoire chinois AllSpark publie deux agents de recherche open-weight, Iris-mini (35 milliards de paramètres) et Iris-pro (397 milliards), tous deux bâtis sur des modèles Qwen.
- Iris-pro atteint 88,6 sur BrowseComp et 56,4 sur Humanity’s Last Exam, un examen académique très éloigné des tâches de recherche web sur lesquelles il a été entraîné.
- L’équipe mesure chaque benchmark avec et sans gestion du contexte, pour séparer ce qui vient du modèle de ce qui vient de l’échafaudage autour.
Une IA que l’on entraîne à fouiller le web devient-elle meilleure ailleurs, sur des tâches qui n’ont pas grand-chose à voir avec la recherche ? La question paraît naïve. Le papier que vient de publier le laboratoire chinois AllSpark en fait pourtant le point le plus intrigant de son travail.
Deux modèles y sont décrits. Iris-mini pèse 35 milliards de paramètres, Iris-pro 397 milliards. Tous deux reposent sur la famille Qwen (Qwen3.6-35B-A3B et Qwen3.5-397B-A17B), disposent d’une fenêtre de contexte de 256 000 tokens et sortent en open-weight, avec des poids que n’importe qui peut télécharger et faire tourner chez lui. Dans leur classe de taille respective, l’équipe les présente comme les meilleurs agents de recherche ouverts du moment.
Fabriquer des questions qu’un moteur ne résout pas
Le premier obstacle, quand on veut entraîner un agent à chercher, tient à la matière première. Il faut des questions à la fois difficiles, vérifiables, et impossibles à résoudre par une simple requête. Ce genre de corpus ne traîne pas sur étagère.
AllSpark le fabrique à l’envers, en partant de la structure de liens du web. Le pipeline choisit une page de départ, suit ses liens sortants, construit un graphe de termes et de relations, puis génère une question dont la réponse exige d’enchaîner plusieurs de ces sauts. Le principe rappelle la fabrication d’une grille de mots croisés : on ne part pas des définitions, on part de la grille déjà remplie et on remonte vers les indices.
Reste à empêcher la triche. Tous les termes de l’énoncé, sauf la réponse finale, sont remplacés par une paraphrase, ce qui rend une recherche textuelle directe inutile. Le filtre d’admission achève le tri : seules survivent les questions qu’un modèle de référence échoue à résoudre sans outils, mais réussit une fois les bonnes sources sous les yeux. Difficiles, donc, et vérifiables.
Un professeur, un juge, et deux passes de tri
Vient ensuite l’apprentissage proprement dit. Un modèle enseignant plus puissant produit des chemins de résolution complets, faits de raisonnement, de requêtes et de résultats. Ces chemins passent deux filtres successifs : le premier vérifie la justesse globale, les boucles de répétition et la profondeur de recherche ; le second est une relecture pas à pas par un modèle juge, dont les critères ont été dérivés des données elles-mêmes plutôt qu’écrits à la main.
Le modèle passe ensuite à l’apprentissage par renforcement, sur une recherche web réelle et non sur une simulation. Le juge et les résumés de résultats tournent d’ailleurs sur le cluster d’entraînement, servis par un grand modèle Qwen déployé en interne : aucune dépendance à un service externe, donc aucune facture ni aucun blocage venus d’un fournisseur tiers pendant l’entraînement.
Les auteurs alternent affinage supervisé et renforcement dans un cycle qu’ils appellent le « SFT-RL climbing » (SFT pour l’affinage supervisé, RL pour le renforcement). À chaque tour, les tâches les plus dures effectivement résolues et les trajectoires les plus économes repartent nourrir l’itération suivante. Le modèle escalade sa propre difficulté.
Des scores qui débordent du terrain d’entraînement
Quatre benchmarks servent de mesure. BrowseComp, signé OpenAI, teste la capacité à retrouver un fait rare à partir d’indices indirects. BrowseComp-ZH en est l’équivalent chinois. DeepSearchQA évalue la complétude des preuves rassemblées. Humanity’s Last Exam, enfin, aligne des questions académiques de niveau expert.
Gestion du contexte activée, Iris-mini obtient 82,2, 84,8, 86,9 et 52,3. Iris-pro monte à 88,6, 85,1, 92,9 et 56,4. Dans la catégorie des petits modèles, Iris-mini domine trois épreuves sur quatre et devance son concurrent le plus proche de 3,4 points sur BrowseComp.
Début septembre, les meilleurs systèmes propriétaires plafonnent autour de 92 points sur ce même BrowseComp, et le chinois Kimi K3, ouvert lui aussi mais autrement plus lourd, en affiche 91,2. Avec ses 397 milliards de paramètres, Iris-pro s’installe donc à quelques points de ce peloton de tête.
Le classement est l’information la moins durable de ce tableau. Regardez plutôt la dernière colonne. Humanity’s Last Exam ne récompense pas l’art de naviguer entre des pages liées : il pose des questions d’expert, dans des domaines académiques, très loin des chaînes de liens qui ont servi à l’entraînement. Un agent nourri exclusivement de parcours documentaires synthétiques y décroche 56,4 points. Ce qui se transporte d’un domaine à l’autre, c’est une méthode d’accès à l’information, apprise sur des enchaînements de liens et réemployée telle quelle devant une question de physique ou d’histoire.
La gestion du contexte fausse les comparaisons
Sur les benchmarks courants, la façon dont un agent gère son contexte à l’exécution pèse souvent plus lourd que l’écart annoncé entre deux systèmes, et rares sont les annonces qui le précisent. Une session de recherche longue sature la fenêtre avant que toutes les sous-questions soient traitées ; jeter l’historique de conversation prolonge artificiellement l’enquête, sans rien dire de la qualité du modèle.
D’où le protocole retenu : chaque épreuve est passée deux fois, avec et sans gestion du contexte, outils, limites et modèle juge maintenus identiques. Un score publié uniquement en mode assisté ne permet pas de savoir ce qui revient au modèle et ce qui revient à la tuyauterie. Les résultats des Iris proviennent par ailleurs d’un agent seul, sans agents auxiliaires ni étape de vérification finale.
Si vous évaluez des agents de recherche pour votre propre usage, ce protocole vaut plus que les points au tableau. Demandez la configuration de contexte avant de regarder le score, sinon vous comparez deux échafaudages, pas deux modèles.
Le socle ouvert parle chinois
Les deux Iris sont bâtis sur Qwen, leur juge tourne sur un Qwen, leur autonomie pendant l’entraînement vient de Qwen. Monter un agent de recherche ouvert sans dépendre d’une API propriétaire suppose aujourd’hui de partir d’une base chinoise.
Prudence tout de même : ces chiffres sont auto-rapportés par l’équipe, aucune réplication indépendante n’a encore eu lieu, et le papier ne dit presque rien du coût réel de l’entraînement. Mais la mécanique décrite, elle, est reproductible par quiconque dispose de pages web liées et d’un cluster. Fabriquer des questions difficiles ne demande plus le budget d’un grand laboratoire.
Mon avis
Dans six mois, ce tableau de scores aura été dépassé plusieurs fois. Le protocole de mesure, lui, tiendra. Publier un résultat de recherche agentique sans dire comment le contexte est géré revient à annoncer un chrono sans préciser la longueur du circuit, et la moitié des annonces d’agents de ces derniers mois tombent dans cette catégorie. La double mesure deviendra la norme avant la fin de l’année, simplement parce qu’un concurrent finira par exiger la comparaison à échafaudage égal. Ce qui m’inquiète davantage, c’est que la brique de base sur laquelle tout le monde bâtit ses agents ouverts porte désormais un seul nom, et que personne en Europe ne semble pressé de proposer une alternative.
