Iris: offene Suchagenten mit externer Suche

Ein Team namens AllSpark hat zwei Suchagenten als offene Gewichte veröffentlicht. Die Modelle recherchieren selbstständig im Netz: Sie entscheiden, wonach sie suchen, lesen die Treffer und merken, wann die Belege für eine Antwort reichen. Iris-mini und Iris-pro liegen seit dem 01.09.2026 auf Hugging Face, der Tech-Report folgte am 03.09.2026. Beide stehen unter Apache 2.0, und das gilt auch für die Qwen-Modelle, auf denen sie aufbauen.

Wer AllSpark ist, bleibt unscharf. Im Report steht nur "AllSpark Team" mit neun Namen, eine Institution wird nicht genannt. Die Kontaktadresse im GitHub-Repo ist eine Mailadresse der Tsinghua-Universität in Peking, und The Decoder spricht von einem chinesischen Labor. Die Hugging-Face-Organisation hat drei Mitglieder und zwei Modelle.

Die zwei Modelle

Die Gewichtsgrößen haben wir über die Hugging-Face-API nachgerechnet. AllSpark stellt nur die BF16-Fassung bereit. Laut Modellkarte läuft Iris-mini mit SGLang auf vier Karten, bei Iris-pro ist von mehreren Knoten oder einem großen Einzelknoten die Rede, der Beispielbefehl nutzt acht Karten. Warum die aktiven Parameter über das Tempo entscheiden und die Gesamtgröße über den Speicher, haben wir im Test lokaler Modelle erklärt.

Die Benchmarks, alles Herstellerangaben

AllSpark vergleicht auf vier Benchmarks: BrowseComp (seltene Fakten über indirekte Hinweise finden), der chinesische Ableger BrowseComp-ZH, DeepSearchQA (Vollständigkeit der Belege, als F1 gewertet) und der Textteil von Humanity's Last Exam (HLE). Die Zahlen gegen die jeweils stärksten offenen Suchagenten gleicher Größe:

Iris-mini liegt also auf drei von vier Benchmarks vorn, bei DeepSearchQA nicht. Iris-pro führt oder zieht gleich. Die Vergleichswerte stammen aus den Veröffentlichungen der anderen Teams, jeweils mit deren eigener Laufzeitkonfiguration.

Genau das benennt der Report selbst als Problem, und das ist sein interessantester Teil. Bei langen Recherchen läuft der Kontext voll, bevor die Frage gelöst ist. Ob und wie ein System dann seine bisherige Historie verwirft, verschiebt die Werte stärker als viele Unterschiede zwischen den Modellen. Die Iris-Werte oben gelten mit der Strategie "discard-all". Ohne sie kommt Iris-mini auf BrowseComp nur auf 64,7 statt 82,2, Iris-pro auf 72,6 statt 88,6. AllSpark veröffentlicht beide Varianten, das ist fairer als üblich. Es zeigt aber auch, wie wenig eine einzelne Zahl über das Modell allein aussagt.

Zur Einordnung nach oben nennt der Report ebenfalls Werte: Kimi-K3 mit 91,2 auf BrowseComp, GPT-5.6 Sol mit 90,4, Claude Fable 5 mit 88,0. Das Team schreibt selbst, dass es zu den stärksten Systemen noch eine Lücke gibt. Unabhängige Nachtests haben wir bis heute keine gefunden.

Die Aussage, das Training helfe auch bei Büroarbeit, ist dünn belegt. Im Fazit steht ein Absatz, dass Suchdaten und Suchmodelle positiv auf Werkzeugnutzung (BFCL, τ-bench) und Büroaufgaben (OfficeQA, APEX) übertragen hätten. Zahlen dazu enthält der Report nicht.

Der Knackpunkt: die Suche gehört nicht euch

Offene Gewichte bedeuten hier nicht, dass alles im eigenen Haus bleibt. Ein Suchagent ist nur so gut wie die Treffer, die er bekommt, und er schickt seine Anfragen an eine Suchmaschine. In den Anfragen steckt das, wonach euer Team gerade recherchiert.

Das veröffentlichte Iris-Harness, mit dem sich die Benchmarks nachstellen lassen, kennt zwei Werkzeuge: web_search und scrape_website. Die Suche läuft in jeder mitgelieferten Konfiguration über Serper, eine kommerzielle API für Google-Suchergebnisse. Die Seitenabrufe laufen wahlweise über Serper, Jina Reader oder den chinesischen Anbieter Zhipu. Serper schreibt in seiner Datenschutzerklärung, dass Daten auch außerhalb des EWR verarbeitet werden können, abgesichert über Standardvertragsklauseln.

Der Datenabfluss ist aber nur die eine Hälfte. Die schwerere ist die Frage, ob man den Ergebnissen trauen kann. Was der Agent findet, bestimmt der Index und das Ranking des Anbieters dahinter, bei der Suche also Google, beim Seitenabruf womöglich ein chinesischer Dienst. Welche Treffer auftauchen, welche fehlen und in welcher Reihenfolge sie kommen, liegt außerhalb eurer Kontrolle. Ob Ergebnisse unter dem Einfluss der US-Regierung verändert oder von der chinesischen Regierung gefiltert werden, spielt dafür keine Rolle: Ihr könnt es nicht prüfen. Ein Agent, der seine Antworten aus solchen Quellen zusammensetzt, übernimmt jede Verzerrung ungesehen und formuliert sie obendrein überzeugend. Mit diesem Such-Stack ist Iris für souveräne Lösungen nicht geeignet, egal wo das Modell läuft.

Selbst hosten lässt sich der Rest: das Modell ohnehin, dazu das Sprachmodell, das abgerufene Seiten zusammenfasst, und das Bewertungsmodell. Beide sprechen jede OpenAI-kompatible Schnittstelle an. Eine selbst betriebene Suchmaschine wie SearXNG ist nicht vorgesehen. Weil Iris Werkzeuge über das normale Function Calling aufruft, lässt sich ein eigenes Suchwerkzeug anbinden. Das wäre dann Eigenbau, und ob die Benchmark-Qualität mit einem anderen Suchindex hält, weiß niemand. Souverän wird es erst mit einer Suchquelle, deren Index und Filterung ihr selbst verantwortet, etwa einem eigenen Index über interne Dokumente und ausgewählte Quellen.

Was das für euch heißt

Einordnung

Die Lizenzlage ist sauber, und das ist bei offenen Modellen keine Selbstverständlichkeit. Apache 2.0 für Iris und für beide Qwen-Basismodelle, das Harness ebenfalls Apache 2.0. Wie weit das Versprechen offener Gewichte praktisch trägt, hängt wie so oft an der Größe. Iris-pro mit 807 GB ist ein Rechenzentrumsprojekt, Iris-mini liegt in der Klasse, in der sich Souveränität beim Modell einlösen lässt. Bei einem Suchagenten reicht das aber nicht: Solange Treffer von Google oder einem chinesischen Anbieter kommen, bleibt die Souveränität beim Modell stehen.

Die Benchmarks sind Herstellerzahlen eines neuen Teams, zwei Wochen nach Veröffentlichung ohne unabhängige Prüfung. Positiv fällt auf, dass AllSpark seine Zahlen mit und ohne Kontextverwaltung zeigt und das Harness offenlegt. Damit lassen sie sich prüfen. Ob Iris im Alltag besser recherchiert als ein gut gepromptetes Allzweckmodell mit Suchwerkzeug, zeigt erst so ein Nachtest.