AREX-2 de BAAI entrena una base de 27B para reflexión de largo alcance: las bases de comparación deben leerse por separado y los pesos están disponibles sin licencia declarada
Según informa Machine Heart (Jiqizhixin), el grupo de investigación AREX entrenó AREX-2 sobre una base Qwen3.8-27B; el informe cita MLE-bench Lite 81.8, Frontier-CS 70.7, BrowseComp 84.0 y HLE 52.6, y enlaza el artículo y la colección de pesos en Hugging Face. La nota no aclara la licencia, la longitud de contexto ni una API alojada.
Qué ha cambiado
Machine Heart informa que el grupo de investigación AREX, formado por investigadores del Instituto de Inteligencia Artificial de Pekín (BAAI), la Universidad de Ciencia y Tecnología de China y la Universidad Renmin de China, entre otras instituciones, publicó AREX-2, entrenado sobre una base Qwen3.8-27B con datos de «reflexión de largo alcance» construidos en torno a escenarios de aprendizaje automático y programación de algoritmos. Las cifras del informe y sus respectivas bases de comparación son: MLE-bench Lite 81.8, superior a todos los modelos de comparación listados en este informe (incluidos modelos frontera cerrados, entre ellos GPT-5.6 Sol y Kimi-K3, ambos con 72.7); Frontier-CS 70.7, por delante de todos los modelos de pesos abiertos de la tabla que reportan esa métrica; BrowseComp 84.0 y HLE 52.6, que según el informe son los mejores resultados entre modelos de no más de 40B parámetros. La nota añade que BrowseComp 84.0 supera a Kimi-K2.6 de 1T (83.2) y a DeepSeek-V4-Pro de 1.6T (83.4). En el entrenamiento, el informe describe que un agente profesor construye primero de forma autónoma tareas, mecanismos de puntuación y entornos de ejecución, y luego, bajo presupuestos de tiempo y de turnos, itera «presentar propuesta, obtener retroalimentación, reflexionar y mejorar», conservando íntegramente las trazas de razonamiento, fallo y ajuste; la evaluación de investigación profunda reutiliza los datos de AREX v1 y solo añade trazas de reflexión de largo alcance para comprobar la transferencia entre dominios. Al final se enlazan el artículo en arXiv, la página del proyecto en GitHub y la colección de pesos en Hugging Face, pero no se indica el tipo de licencia, las condiciones de uso comercial, la longitud de contexto, el coste de inferencia ni ninguna API alojada.
Impacto para desarrolladores
Para los desarrolladores, la lectura directa es que esto se parece más a un candidato de pesos abiertos descargable que a un servicio de API invocable. La nota solo ofrece la dirección de la colección de pesos y no menciona alojamiento del proveedor, límites de velocidad ni precios; la integración exige despliegue propio o esperar a un tercero, y la memoria de GPU, el rendimiento y el coste de inferencia deben evaluarse por cuenta propia. El alcance de los benchmarks también debe entenderse por separado: la ventaja en MLE-bench Lite es frente a todos los modelos de comparación listados en el informe; la ventaja en Frontier-CS solo abarca los modelos de pesos abiertos que reportan esa métrica; y el «mejor» en BrowseComp y HLE se limita a modelos de no más de 40B parámetros. Esas tres afirmaciones no pueden combinarse en una conclusión de superioridad global entre escalas. La dirección de capacidad apunta a tareas de muchos turnos con retroalimentación verificable (experimentos de aprendizaje automático, problemas de algoritmos), y es más probable que esa capacidad se transfiera a escenarios de ingeniería con pruebas o métricas de retroalimentación, como la corrección de código o el ajuste de canalizaciones de datos; en escritura abierta o requisitos difusos sin retroalimentación objetiva, la «reflexión» puede ser solo giros en vacío mientras se consumen tokens y tiempo igualmente. Además, todas las puntuaciones son autodeclaradas por el equipo y la nota no muestra reproducción independiente por terceros; entre los objetos de comparación hay modelos frontera cerrados y modelos con diferencias de escala de parámetros de distinto orden. La existencia del enlace a los pesos indica una accesibilidad alta, pero tener pesos no equivale a una licencia de código abierto: antes de un uso comercial hay que verificar la ficha del modelo y el texto de la licencia.
Integración y evaluación
Lo siguiente son recomendaciones y análisis condicionales, no hechos del informe. Primero, si tu carga de trabajo tiene señales de retroalimentación evaluables automáticamente (pruebas unitarias, umbrales de métricas, conjuntos de evaluación ocultos), conviene validar primero con un despliegue propio a pequeña escala: elegir la versión cuantizada que quepa en la memoria de GPU disponible, conectar la retroalimentación de cada turno al bucle del agente y usar como métrica «la pendiente de la tasa de éxito frente al número de turnos bajo un presupuesto fijo de turnos»; si la pendiente se aplana en 3 a 5 turnos, la reflexión de largo alcance aporta poco a tu tarea y conviene una solución más directa. Esto supone que ya confirmaste que la licencia permite tu forma de uso y que puedes asumir el coste operativo de una pila de inferencia propia. Segundo, si valoras más resultados en tareas de investigación con búsqueda tipo BrowseComp, el punto de decisión debería ser el «límite de turnos de búsqueda y reflexión múltiple», no una puntuación puntual: sobre un conjunto interno de preguntas y respuestas con búsqueda, fija el mismo buscador y el mismo conjunto de herramientas y compara la tasa de éxito por coste unitario de tarea en configuraciones de «límite de 2 turnos» y «límite de 8 turnos»; si la mejora de la tasa de éxito es menor que el aumento del coste de inferencia, vuelve a los pocos turnos. Tercero, si tu escenario es generación abierta sin retroalimentación objetiva o depende mucho de una interfaz en línea estable y de baja latencia, no deberías sustituir el modelo actual solo por lo que dice la nota: compara primero con el modelo actual sobre el mismo lote de muestras internas, registra los tokens y el tiempo que consume cada turno de reflexión y decide por la tasa de éxito según el coste unitario de tarea; en cualquier caso, conviene leer primero en el artículo la configuración de evaluación, el presupuesto de turnos y el mecanismo de puntuación, en lugar de quedarse con las cifras puntuales.
Límites y cuestiones pendientes
La nota no revela la licencia ni las condiciones comerciales de AREX-2, ni aclara la longitud de contexto, el coste de inferencia o alguna API alojada; las cuatro puntuaciones son autodeclaradas por el equipo, no se ve reproducción por terceros y las bases de comparación no son homogéneas: se reparten en tres tipos (los modelos de comparación listados en el informe, los modelos de pesos abiertos que reportan esa métrica y los modelos de no más de 40B parámetros, categoría esta última que comparten BrowseComp y HLE), por lo que no pueden fusionarse en una sola conclusión entre bases. Los detalles de los datos de entrenamiento y de la evaluación deben verificarse en el artículo. Además, debe quedar claro que AREX-2 no tiene actualmente una coincidencia exacta en el catálogo de modelos de KimiSeek; lo que este sitio lista es solo su base Qwen3.8 27B, que son versiones distintas y no equivalentes. La nota no menciona ninguna disponibilidad de API de este modelo; si hubiera información al respecto, debe prevalecer la explicación del emisor.