智源 AREX-2 用 27B 基座练长程反思：基准口径需分开看，权重已给出但许可未交代
据机器之心报道，AREX 研究小组以 Qwen3.8-27B 为基座训练出 AREX-2，报告称 MLE-bench Lite 81.8、Frontier-CS 70.7、BrowseComp 84.0、HLE 52.6，并附论文与 Hugging Face 权重集合地址；报道未说明许可证、上下文长度或托管 API。
发生了什么
机器之心报道，由智源研究院、中国科技大学、中国人民大学等机构研究人员组成的 AREX 研究小组发布 AREX-2，以 Qwen3.8-27B 为基座，用围绕机器学习与算法编程场景构建的“长程反思”数据训练。报道给出的数字及各自比较口径是：MLE-bench Lite 81.8，高于本次报告列出的全部对比模型（含闭源前沿模型，其中 GPT-5.6 Sol 与 Kimi-K3 均为 72.7）；Frontier-CS 70.7，领先表中所有已报告该项成绩的开放权重模型；BrowseComp 84.0 与 HLE 52.6，报道称这两项是不超过 40B 参数模型中的最高成绩。报道另称 BrowseComp 84.0 高于 1T 的 Kimi-K2.6（83.2）与 1.6T 的 DeepSeek-V4-Pro（83.4）。训练侧，报道称教师智能体先自主构建任务、评分机制与运行环境，再在时间与轮次预算下循环“提交方案、获取反馈、反思改进”，完整保留推理、失败与调整轨迹；深度研究评测沿用 AREX v1 数据、只新增长程反思轨迹，以检验跨域迁移。文末给出 arXiv 论文、GitHub 项目页与 Hugging Face 权重集合链接，但未说明许可证类型、商用条款、上下文长度、推理开销或任何托管 API。
对开发者的影响
对开发者的直接含义是：这更像一个可下载的开放权重候选，而不是可直接调用的接口服务。报道只给权重集合地址，未提厂商托管、速率限制或价格，接入需自行部署或等第三方托管，显存、吞吐与推理成本要自己评估。基准的适用面也要分开理解：MLE-bench Lite 的领先是相对报告列出的全部对比模型，Frontier-CS 的领先只在已报告该项成绩的开放权重模型范围内，BrowseComp 与 HLE 的“最高”限定在不超过 40B 参数模型里——三句话不能合成一个跨规模的全面胜出结论。能力方向指向长轮次、带可验证反馈的任务（机器学习实验、算法题），这类能力在代码修复、数据管线调优等有测试或指标反馈的工程场景较可能迁移；在没有客观反馈的开放式写作或模糊需求里，“反思”可能只是多轮空转，token 与时间却照常消耗。此外所有分数出自团队自报，报道未见第三方独立复现；对比对象中既有闭源前沿模型，也有参数规模相差数量级的模型。权重链接的存在说明可及性较高，但有权重不等于开源许可，商用前必须核对模型卡与许可文本。
接入与评估建议
以下为建议与条件化分析，不是报道事实。第一，若你的负载有可自动判定的反馈信号（单元测试、指标阈值、隐藏评测集），可先做小规模自部署验证：选择量化后能放进现有显存的版本，把每轮反馈接入智能体循环，以“固定轮次预算下通过率随轮次增长的斜率”为指标；如果 3 到 5 轮内斜率趋平，说明长程反思对你的任务收益有限，不如换更直接的方案。前提是已确认许可允许你的使用方式，并能承担自建推理栈的运维成本。第二，若你更看重 BrowseComp 一类检索研究任务的成绩，决策点应是“多轮检索与反思的轮次上限”而不是单点分数：在内部检索问答集上固定同一检索器与工具集，对比“轮次上限 2 与轮次上限 8”两类配置的单位任务成本成功率，若成功率提升小于推理成本增幅，就压回低轮次。第三，若你的场景是无客观反馈的开放式生成或强依赖稳定低延迟在线接口，不应仅凭报道替换现用模型：先在同一批内部样本上与现用模型对照，记录每轮反思消耗的 token 与时间，以单位任务成本下的成功率判断；无论走哪条路径，都应先看论文里的评测设置、轮次预算与评分机制，而不是只读单点数字。
限制与待确认事项
报道未披露 AREX-2 的许可证与商用条款，也未说明上下文长度、推理开销或任何托管 API；四项分数均为团队自报，未见第三方复现，且各项比较口径不同（分别为报告列出全部对比模型、已报告该项成绩的开放权重模型、不超过 40B 参数模型），不能跨口径合并为一个结论。训练数据与评测细节需回到论文核实。另需明确：AREX-2 目前在 KimiSeek 的模型目录中没有精确匹配，本站列出的只是其基座 Qwen3.8 27B，二者是不同版本，不能等同；报道中没有提到该模型的任何 API 可用性，若有相关信息应以发布方说明为准。