AREX-2 von BAAI: 27B-Basis für langfristige Reflexion trainiert – Benchmarks nur getrennt lesbar, Gewichte vorhanden, Lizenz nicht angegeben
Laut einem Bericht von Jiqizhixin hat die AREX-Forschungsgruppe AREX-2 auf Basis von Qwen3.8-27B trainiert. Gemeldet werden MLE-bench Lite 81,8, Frontier-CS 70,7, BrowseComp 84,0 und HLE 52,6, dazu Links zu Paper und Hugging-Face-Gewichten. Der Bericht nennt weder Lizenz noch Kontextlänge oder eine gehostete API.
Was sich geändert hat
Jiqizhixin berichtet, dass die AREX-Forschungsgruppe, an der Forschende des Beijing Academy of Artificial Intelligence, der University of Science and Technology of China und der Renmin University of China beteiligt sind, AREX-2 veröffentlicht hat. Das Modell basiert auf Qwen3.8-27B und wurde mit Daten zum „langfristigen Reflektieren“ trainiert, die für Szenarien des maschinellen Lernens und der algorithmischen Programmierung aufgebaut wurden. Die im Bericht genannten Zahlen und ihre jeweiligen Vergleichsmaßstäbe sind: MLE-bench Lite 81,8, höher als alle in diesem Bericht aufgeführten Vergleichsmodelle (einschließlich geschlossener Frontier-Modelle, wobei GPT-5.6 Sol und Kimi-K3 jeweils 72,7 erreichen); Frontier-CS 70,7, führend unter allen Open-Weight-Modellen in der Tabelle, für die dieser Wert berichtet wird; BrowseComp 84,0 und HLE 52,6, die laut Bericht die höchsten Ergebnisse unter Modellen mit höchstens 40B Parametern sind. Der Bericht gibt außerdem an, dass BrowseComp 84,0 über dem 1T großen Kimi-K2.6 (83,2) und dem 1,6T großen DeepSeek-V4-Pro (83,4) liegt. Auf der Trainingsseite heißt es, ein Lehrer-Agent baue zunächst eigenständig Aufgaben, Bewertungsmechanismen und Laufzeitumgebungen auf und durchlaufe dann unter Zeit- und Rundenbudgets wiederholt „Lösung einreichen, Feedback erhalten, reflektieren und verbessern“, wobei Reasoning-, Fehler- und Anpassungsverläufe vollständig erhalten blieben; bei der Deep-Research-Evaluierung würden die Daten von AREX v1 weiterverwendet und nur langfristige Reflexionsverläufe ergänzt, um den Transfer über Domänen hinweg zu prüfen. Am Ende stehen Links zu einem arXiv-Paper, einer GitHub-Projektseite und einem Hugging-Face-Gewichtsset, aber es werden weder Lizenztyp noch kommerzielle Bedingungen, Kontextlänge, Inferenzaufwand oder eine gehostete API genannt.
Auswirkungen für Entwickler
Für Entwickler bedeutet das konkret: Dies ist eher ein herunterladbarer Open-Weight-Kandidat als ein direkt aufrufbarer API-Dienst. Der Bericht nennt nur die Adresse des Gewichtssets, nicht aber Hosting durch einen Anbieter, Rate Limits oder Preise. Die Anbindung erfordert eigene Bereitstellung oder das Warten auf Drittanbieter-Hosting; VRAM, Durchsatz und Inferenzkosten muss man selbst abschätzen. Auch die Reichweite der Benchmarks ist getrennt zu verstehen: Die Führung bei MLE-bench Lite gilt relativ zu allen im Bericht aufgeführten Vergleichsmodellen, die Führung bei Frontier-CS nur im Rahmen der Open-Weight-Modelle, für die dieser Wert berichtet wird, und das „höchste“ Ergebnis bei BrowseComp und HLE ist auf Modelle mit höchstens 40B Parametern begrenzt – diese drei Aussagen lassen sich nicht zu einem umfassenden Sieg über alle Größenklassen zusammenfassen. Die Fähigkeitsrichtung deutet auf Aufgaben mit vielen Runden und verifizierbarem Feedback hin (Machine-Learning-Experimente, Algorithmusaufgaben). Solche Fähigkeiten dürften eher auf Engineering-Szenarien mit Tests oder Kennzahlen-Feedback übertragbar sein, etwa Code-Reparatur oder Tuning von Datenpipelines; bei offener Textproduktion ohne objektives Feedback oder bei vagen Anforderungen könnte „Reflexion“ nur aus mehreren Leerläufen bestehen, während Token und Zeit weiter verbraucht werden. Zudem stammen alle Werte aus Selbstauskünften des Teams; eine unabhängige Reproduktion durch Dritte ist im Bericht nicht zu finden. Zu den Vergleichsobjekten gehören sowohl geschlossene Frontier-Modelle als auch Modelle, deren Parametergröße um Größenordnungen abweicht. Die Existenz der Gewichtslinks zeigt eine hohe Verfügbarkeit, aber Gewichte bedeuten nicht automatisch eine Open-Source-Lizenz; vor kommerzieller Nutzung müssen Modellkarte und Lizenztext geprüft werden.
Integration und Bewertung
Das Folgende sind Empfehlungen und bedingte Analysen, keine Fakten aus dem Bericht. Erstens: Wenn Ihre Last ein automatisch prüfbares Feedbacksignal hat (Unit-Tests, Kennzahlenschwellen, versteckte Evaluierungssätze), können Sie zunächst eine kleine Selbstbereitstellung testen: Wählen Sie eine quantisierte Version, die in den vorhandenen VRAM passt, binden Sie das Feedback jeder Runde in die Agentenschleife ein und messen Sie die Steigung der Erfolgsrate über die Runden bei festem Rundenbudget. Flacht die Steigung innerhalb von 3 bis 5 Runden ab, bringt langfristige Reflexion für Ihre Aufgabe wenig, und ein direkterer Ansatz ist sinnvoller. Voraussetzung ist, dass die Lizenz Ihre Nutzungsart erlaubt und Sie die Betriebskosten eines eigenen Inferenz-Stacks tragen können. Zweitens: Wenn Ihnen Ergebnisse bei Rechercheaufgaben wie BrowseComp wichtiger sind, sollte der Entscheidungspunkt nicht ein einzelner Score sein, sondern die Obergrenze an Runden für mehrfache Suche und Reflexion. Vergleichen Sie im internen Recherche-Fragesatz mit demselben Retriever und Toolset zwei Konfigurationen – Obergrenze 2 Runden und Obergrenze 8 Runden – bei der Erfolgsrate je Kosteneinheit pro Aufgabe; ist der Erfolgszuwachs kleiner als der Anstieg der Inferenzkosten, gehen Sie auf wenige Runden zurück. Drittens: Wenn Ihr Szenario offene Generierung ohne objektives Feedback ist oder stark von einer stabilen Online-API mit niedriger Latenz abhängt, sollten Sie das aktuelle Modell nicht allein aufgrund des Berichts ersetzen. Vergleichen Sie zuerst auf derselben internen Stichprobe mit dem eingesetzten Modell, erfassen Sie Token und Zeit pro Reflexionsrunde und entscheiden Sie anhand der Erfolgsrate je Kosteneinheit pro Aufgabe. In jedem Fall sollten Sie zuerst die Evaluierungseinstellungen, Rundenbudgets und Bewertungsmechanismen im Paper prüfen und nicht nur einzelne Zahlen lesen.
Grenzen und offene Fragen
Der Bericht nennt weder Lizenz noch kommerzielle Bedingungen von AREX-2 und auch nicht Kontextlänge, Inferenzaufwand oder eine gehostete API. Die vier Werte sind Selbstauskünfte des Teams, eine Reproduktion durch Dritte ist nicht ersichtlich, und die Vergleichsmaßstäbe unterscheiden sich (alle im Bericht aufgeführten Vergleichsmodelle, Open-Weight-Modelle mit berichtetem Wert, Modelle mit höchstens 40B Parametern); sie lassen sich nicht zu einer Aussage zusammenführen. Trainingsdaten und Evaluierungsdetails müssen im Paper nachgeprüft werden. Außerdem gilt: AREX-2 hat derzeit keinen exakten Treffer im Modellkatalog von KimiSeek; dort ist nur die Basis Qwen3.8 27B gelistet, und beide sind unterschiedliche Versionen, nicht gleichzusetzen. Der Bericht erwähnt keine API-Verfügbarkeit des Modells; falls es dazu Informationen gibt, sind die Angaben des Herausgebers maßgeblich.