AREX-2 : un modèle d'agent à long terme capable d'améliorer ses solutions par réflexion itérative

Le modèle d'agent à long terme de 270 milliards de paramètres de l'Institut de recherche en intelligence artificielle de Pékin (BAAI), basé sur Qwen3.8-27B (dense, multimodal), avec une fenêtre de contexte de 262,144 tokens. Lors des tests, il améliore une solution en plusieurs itérations : proposition, mesure, réflexion, modification, en lisant les scores, les journaux, les messages d'erreur et les temps d'exécution pour décider quoi modifier ensuite. Les données d'entraînement consistent en des tâches d'ingénierie en apprentissage automatique et de programmation algorithmique dont les résultats sont directement vérifiables, ainsi que les données de recherche approfondie AREX existantes ; les officiels affirment que cette capacité d'auto-amélioration se transfère à la recherche approfondie, sans ajout de trajectoires de recherche supplémentaires. Résultats officiels : 70.7 sur la piste agent Frontier-CS, taux de médailles de 81.8 sur MLE-Lite, 84.0 sur BrowseComp, 92.2 sur GAIA, 93.8 sur DeepSearchQA, 52.6 sur le sous-ensemble textuel de HLE.

Titre original : BAAI/AREX-2

Le modèle d'agent à long terme de 270 milliards de paramètres de l'Institut de recherche en intelligence artificielle de Pékin (BAAI), basé sur Qwen3.8-27B (dense, multimodal), avec une fenêtre de contexte de 262,144 tokens. Lors des tests, il améliore une solution en plusieurs itérations : proposition, mesure, réflexion, modification, en lisant les scores, les journaux, les messages d'erreur et les temps d'exécution pour décider quoi modifier ensuite. Les données d'entraînement consistent en des tâches d'ingénierie en apprentissage automatique et de programmation algorithmique dont les résultats sont directement vérifiables, ainsi que les données de recherche approfondie AREX existantes ; les officiels affirment que cette capacité d'auto-amélioration se transfère à la recherche approfondie, sans ajout de trajectoires de recherche supplémentaires. Résultats officiels : 70.7 sur la piste agent Frontier-CS, taux de médailles de 81.8 sur MLE-Lite, 84.0 sur BrowseComp, 92.2 sur GAIA, 93.8 sur DeepSearchQA, 52.6 sur le sous-ensemble textuel de HLE.

Pourquoi c'est important Transformer un nombre accru d'itérations de test en de meilleures solutions, avec des compétences acquises en programmation et en ingénierie en apprentissage automatique qui se transfèrent à la recherche approfondie

Score en hausse de 50 · J'aime 205 · Téléchargements 2918

Raisons

  • Conçu pour les tâches nécessitant des essais et erreurs itératifs : ingénierie en apprentissage automatique, programmation de compétitions algorithmiques, recherche approfondie avec outils
  • Dans le tableau officiel, parmi les modèles ouverts de moins de 40B, BrowseComp, GAIA et DeepSearchQA figurent parmi les meilleurs, et MLE-Lite dépasse les modèles fermés listés dans le tableau
  • Le dépôt GitHub VectorSpaceLab/AREX-2 fournit les exécutants et les définitions de jeux de données pour six pistes d'évaluation, permettant de reproduire les tests avec les mêmes paramètres

Utilisation

  • transformers : AutoModelForMultimodalLM.from_pretrained("BAAI/AREX-2", dtype=torch.bfloat16, device_map="auto"), nécessite une version récente de transformers prenant en charge Qwen3.8
  • Reproduction des tests : après pip install -e '.\[research\]', exécutez python3 evaluate.py BrowseComp --n 10 en spécifiant les points de terminaison du modèle et du modèle d'évaluation

Risques

  • La fiche du modèle ne fournit que des exemples de dialogue avec transformers ; la mise en œuvre complète du processus d'amélioration itérative ou de recherche approfondie nécessite de configurer soi-même les outils et l'environnement d'exécution
  • Les résultats proviennent de l'article officiel et de la fiche du modèle ; certains scores des modèles de comparaison sont issus de leurs propres rapports ; pour la colonne HLE, certains scores concernent l'ensemble du jeu de données, d'autres le sous-ensemble textuel
  • Cette entrée n'a pas été exécutée ; les performances sont à vérifier selon la fiche du modèle

Ouvrir

Hugging Face Trending

Parcourir les dernières actualités IA