AREX-2 da BAAI treina reflexão de longo horizonte sobre base 27B: métricas precisam ser lidas separadamente; pesos divulgados, licença não informada
Segundo o Machine Heart, o grupo de pesquisa AREX treinou o AREX-2 com base no Qwen3.8-27B. O relatório cita MLE-bench Lite 81,8, Frontier-CS 70,7, BrowseComp 84,0 e HLE 52,6, além de endereços do artigo e do conjunto de pesos no Hugging Face; a reportagem não informa licença, comprimento de contexto nem API hospedada.
O que mudou
O Machine Heart noticiou que o grupo de pesquisa AREX, formado por pesquisadores do Instituto de Inteligência Artificial de Pequim (BAAI), da Universidade de Ciência e Tecnologia da China, da Universidade Renmin da China e outras instituições, lançou o AREX-2, treinado sobre o Qwen3.8-27B com dados de "reflexão de longo horizonte" construídos em torno de cenários de aprendizado de máquina e programação de algoritmos. Os números relatados, e o escopo de comparação de cada um, são: MLE-bench Lite 81,8, acima de todos os modelos de comparação listados no relatório (incluindo modelos de fronteira fechados, entre eles GPT-5.6 Sol e Kimi-K3, ambos com 72,7); Frontier-CS 70,7, à frente de todos os modelos de pesos abertos que reportaram essa métrica na tabela; BrowseComp 84,0 e HLE 52,6, que a reportagem descreve como os melhores resultados entre modelos com no máximo 40B de parâmetros. A reportagem afirma ainda que o BrowseComp 84,0 supera o Kimi-K2.6 de 1T (83,2) e o DeepSeek-V4-Pro de 1,6T (83,4). No treinamento, a reportagem diz que um agente professor constrói autonomamente tarefas, mecanismos de pontuação e ambientes de execução, e então, sob orçamento de tempo e de rodadas, repete ciclos de "submeter proposta, obter feedback, refletir e melhorar", preservando integralmente as trajetórias de raciocínio, falha e ajuste; a avaliação de pesquisa profunda reaproveita os dados do AREX v1, acrescentando apenas trajetórias de reflexão longa, para testar transferência entre domínios. O texto traz links para o artigo no arXiv, a página do projeto no GitHub e o conjunto de pesos no Hugging Face, mas não informa o tipo de licença, termos de uso comercial, comprimento de contexto, custo de inferência nem qualquer API hospedada.
Impacto para desenvolvedores
Para desenvolvedores, o significado direto é que se trata mais de um candidato a pesos abertos para download do que de um serviço de interface pronto para chamada. A reportagem fornece apenas o endereço do conjunto de pesos, sem mencionar hospedagem pelo fornecedor, limites de taxa ou preço; a integração exige implantação própria ou espera por hospedagem de terceiros, e memória de GPU, throughput e custo de inferência precisam ser avaliados por conta própria. O alcance dos benchmarks também deve ser entendido em separado: a liderança no MLE-bench Lite é relativa a todos os modelos de comparação listados no relatório, a liderança no Frontier-CS vale apenas no escopo dos modelos de pesos abertos que reportaram essa métrica, e o "melhor" em BrowseComp e HLE está limitado a modelos com no máximo 40B de parâmetros — as três afirmações não podem ser fundidas numa conclusão de superioridade ampla entre escalas. A direção de capacidade aponta para tarefas de muitas rodadas com feedback verificável (experimentos de aprendizado de máquina, problemas de algoritmos), e esse tipo de capacidade tem maior chance de transferir para cenários de engenharia com testes ou métricas de feedback, como correção de código e ajuste de pipelines de dados; em geração aberta sem feedback objetivo ou em requisitos vagos, a "reflexão" pode ser apenas rodadas vazias, consumindo tokens e tempo normalmente. Além disso, todas as pontuações são autorrelatadas pela equipe, e a reportagem não menciona reprodução independente por terceiros; entre os objetos de comparação há tanto modelos de fronteira fechados quanto modelos com ordens de magnitude diferentes de parâmetros. A existência do link de pesos indica boa acessibilidade, mas ter pesos não equivale a licença de código aberto: é preciso verificar o cartão do modelo e o texto da licença antes de uso comercial.
Integração e avaliação
O que segue são sugestões e análises condicionais, não fatos da reportagem. Primeiro, se sua carga de trabalho tem sinais de feedback verificáveis automaticamente (testes unitários, limites de métricas, conjuntos de avaliação ocultos), vale começar com uma validação pequena em implantação própria: escolher a versão quantizada que caiba na memória de GPU disponível, conectar o feedback de cada rodada ao ciclo do agente e usar como métrica a "inclinação da taxa de acerto em função das rodadas sob orçamento fixo de rodadas"; se a inclinação se achatar entre 3 e 5 rodadas, a reflexão de longo horizonte traz pouco ganho para sua tarefa e é melhor optar por uma solução mais direta. O pressuposto é ter confirmado que a licença permite seu uso e conseguir arcar com o custo operacional de uma pilha de inferência própria. Segundo, se você valoriza mais resultados em tarefas de pesquisa com recuperação como o BrowseComp, o ponto de decisão deve ser o "limite de rodadas de recuperação e reflexão", não a pontuação pontual: em um conjunto interno de perguntas e respostas com recuperação, fixe o mesmo recuperador e conjunto de ferramentas e compare duas configurações, limite de 2 rodadas e limite de 8 rodadas, pela taxa de sucesso por custo unitário de tarefa; se o ganho de sucesso for menor que o aumento do custo de inferência, volte para poucas rodadas. Terceiro, se seu cenário é geração aberta sem feedback objetivo ou depende fortemente de uma interface online estável e de baixa latência, não substitua o modelo atual apenas com base na reportagem: compare primeiro com o modelo em uso no mesmo lote de amostras internas, registre tokens e tempo consumidos por rodada de reflexão e decida pela taxa de sucesso por custo unitário de tarefa; em qualquer caminho, leia antes as configurações de avaliação, o orçamento de rodadas e o mecanismo de pontuação no artigo, em vez de apenas os números pontuais.
Limites e pontos a confirmar
A reportagem não divulga a licença nem os termos comerciais do AREX-2, e também não informa comprimento de contexto, custo de inferência ou qualquer API hospedada; as quatro pontuações são autorrelatadas pela equipe, sem reprodução independente por terceiros, e cada uma tem escopo de comparação diferente (respectivamente todos os modelos de comparação listados no relatório, os modelos de pesos abertos que reportaram a métrica, e modelos com no máximo 40B de parâmetros), não podendo ser combinadas num único resultado. Detalhes de dados de treinamento e avaliação precisam ser confirmados no artigo. Cabe esclarecer ainda: o AREX-2 não tem correspondência exata no catálogo de modelos do KimiSeek; o site lista apenas seu modelo base Qwen3.8 27B, que é uma versão diferente e não deve ser equiparado; a reportagem não menciona qualquer disponibilidade de API desse modelo, e informações a respeito devem seguir o que o publicador declarar.