AREX-2:会多轮反思改进方案的长程智能体模型

北京智源人工智能研究院(BAAI)的 270 亿参数长程智能体模型,基座为 Qwen3.8-27B(稠密、多模态),上下文 262,144 token。它在测试时分多轮改进一个方案:提出、测量、反思、修改,会读分数、日志、报错和耗时来决定下一步改什么。训练数据是机器学习工程和算法编程这类能直接验证结果的任务,加上原有的 AREX 深度研究数据;官方称这种自我改进能力迁移到了深度研究,没有另加搜索轨迹。官方成绩:Frontier-CS 智能体赛道 70.7、MLE-Lite 奖牌率 81.8,BrowseComp 84.0、GAIA 92.2、DeepSearchQA 93.8、HLE 文本子集 52.6。

原题:BAAI/AREX-2

北京智源人工智能研究院(BAAI)的 270 亿参数长程智能体模型,基座为 Qwen3.8-27B(稠密、多模态),上下文 262,144 token。它在测试时分多轮改进一个方案:提出、测量、反思、修改,会读分数、日志、报错和耗时来决定下一步改什么。训练数据是机器学习工程和算法编程这类能直接验证结果的任务,加上原有的 AREX 深度研究数据;官方称这种自我改进能力迁移到了深度研究,没有另加搜索轨迹。官方成绩:Frontier-CS 智能体赛道 70.7、MLE-Lite 奖牌率 81.8,BrowseComp 84.0、GAIA 92.2、DeepSearchQA 93.8、HLE 文本子集 52.6。

为什么重要 把多给的测试轮数变成更好的解法,在编程和机器学习工程上学到的能力还能迁移到深度研究

上升分 50 · 点赞 205 · 下载量 2918

理由

  • 面向需要多轮试错的任务:机器学习工程、算法竞赛编程、带工具的深度研究
  • 官方表格里同为 40B 以下的开放模型中,BrowseComp、GAIA、DeepSearchQA 都列在前列,MLE-Lite 高于表中的闭源模型
  • GitHub 仓库 VectorSpaceLab/AREX-2 放出六个评测赛道的运行器和数据集定义,可按相同设置复测

用法

  • transformers:AutoModelForMultimodalLM.from_pretrained("BAAI/AREX-2", dtype=torch.bfloat16, device_map="auto"),需要支持 Qwen3.8 的新版 transformers
  • 复测:pip install -e '.[research]' 后用 python3 evaluate.py BrowseComp --n 10 指定模型端点和评审模型端点运行

风险

  • 模型卡只给了 transformers 对话示例,跑完整的多轮改进或深度研究流程需要自己搭工具和执行环境
  • 成绩来自官方论文和模型卡,部分对比模型分数取自各自报告;HLE 一列有的是全集、有的是文本子集
  • 本条未运行,效果以模型卡为准

打开

Hugging Face Trending

浏览最新 AI 动态