RUITA / DAILY BRIEF ·
AREX-2让模型在同一任务里多轮反思:作者报告两项基准领先
AREX-2从Qwen3.8-27B训练,面向可验证的机器学习工程和算法编程任务学习长程反思。论文报告MLE-bench Lite为81.8、Frontier-CS为70.7;这些是特定评测设置下的论文结果,不是通用科研能力排名。
KEY FACTS
核心信息
- 01
作者把自我改进定义为模型在同一任务多轮工作时,能凭自身判断逐步改善答案。
- 02
AREX-2以Qwen3.8-27B为基础,在机器学习工程和算法编程轨迹上训练。
- 03
MLE-bench Lite是评估机器学习工程任务的测试集,Frontier-CS评估算法编程;论文报告的成绩分别为81.8和70.7,且MLE成绩用到了技能上下文和多轮预算。
把“反思”变成一段可重复的工作循环
智能体是能调用工具、按目标分步骤完成任务的AI程序。普通智能体常由外部流程决定何时重试、保留哪个答案;AREX-2研究的是让模型自己在一个任务中持续尝试、检查结果并决定下一步修改,论文把这称为长程反思。
作者用机器学习工程和算法编程任务构造多轮训练轨迹,再从Qwen3.8-27B基础模型训练AREX-2。
成绩要连同测试条件一起看
论文报告AREX-2在MLE-bench Lite(机器学习工程任务测试集)达到81.8,在Frontier-CS(算法编程任务测试集)达到70.7;作者称前者在所比较系统中最高,后者在开源权重模型中最高。
这不是“模型独立解决所有科研问题”的证明:MLE-bench Lite的成绩使用了技能内容和多轮预算,Frontier-CS只取特定的188题Agent赛道。数据由论文作者报告,跨机构复现和更多任务上的表现仍需另行验证。