BAAI AREX-2 · Llamacpp imatrix 量化版
AREX-2 的多模态长周期智能体模型的 GGUF 量化版本,由 BAAI 官方发布。
基础信息
多模态(mmproj)与 imatrix 说明:bartowski/BAAI_AREX-2-GGUF
引言
AREX-2 是由北京智源人工智能研究院(BAAI)开发的一个拥有 270 亿参数的长周期智能体模型。它能够在测试阶段通过多轮迭代不断改进解决方案:提出方案 → 评估效果 → 反思问题 → 进行修订。
AREX-2 在具有可验证反馈的机器学习和算法编程任务上进行训练,同时结合了现有的 AREX 深度研究数据。其所学到的自改进行为可以直接迁移到深度研究任务中,而无需新增搜索轨迹。
架构与参数
| 项目 | 说明 |
|---|
| 架构 | 密集型 Qwen3.8 兼容多模态模型 |
| 参数量 | 270 亿(27B) |
| 上下文长度 | 262,144 token |
核心特性
- 长周期自改进:将额外的测试阶段迭代转化为有效的解决方案优化。
- 反馈驱动的反思:能够读取分数、日志、错误信息和运行时间,以决定下一步应如何调整。
- 跨领域性能:在编码和机器学习任务上的训练,同样能提升模型在深度研究任务中的表现。
- 长周期推理能力:随着任务预算的增加,仍能保持高效的迭代过程。
评估
AREX-2 在算法编程、机器学习工程、深度研究以及通用智能体推理任务上进行了评估。评估结果遵循 AREX-2 论文中报告的协议。
1. 编程与机器学习工程
Frontier-CS 是包含 188 项任务的智能体赛道;MLE-Lite 报告的是在三个随机种子上取平均的「任意奖牌(Any Medal)」成绩。
闭源模型
| 模型 | 参数量 | Frontier-CS | MLE-Lite |
|---|
| GPT-5.6 Sol | - | 76.4 | 72.7 |
| Claude Opus 4.8 | - | 74.5 | 63.6 |
| GPT-5.5 | - | 72.1 | 68.2 |
| Gemini-3.1-Pro | - | 68.9 | - |
| Qwen3.7-Max | - | 61.9 | - |
开源模型
| 模型 | 参数量 | Frontier-CS | MLE-Lite |
|---|
| Kimi-K3 | 2.8T | 72.7 | - |
| Naive-N0.5-Flash | 309B | 73.7 | - |
| DeepSeek-V4-Pro | 1.6T | 44.7 | 54.5 |
| DeepSeek-V4-Flash | 284B | 39.1 | 51.5 |
| Kimi-K2.7-Code | 1T | 54.7 | - |
| GLM-5.3-Flash | 320B | 50.4 | - |
| Kimi-K2.6 | 1T | 46.9 | 66.7 |
| Frontis-MA1-35B | 35B | 71.2 | - |
| BigBang-V1 | 35B | 59.1 | - |
| Qwen3.6-35B-A3B | 35B | 23.4 | 39.4 |
| AREX-2 | 27B | 70.7 | 81.8 |
2. 通用智能体推理与深度研究
带 * 的 HLE 值来自完整 HLE 数据集;未标记的值使用仅文本子集。
前沿模型(Frontier models)
| 模型 | 参数量 | BrowseComp | HLE | GAIA | DeepSearchQA |
|---|
| GPT-5.6 Sol | - | 90.4 | 58.0* | - | - |
| GPT-5.6 Terra | - | 87.5 | - | - | - |
| GPT-5.6 Luna | - | 83.3 | - | - | - |
| Kimi-K3 | 2.8T | 91.2 | 56.0* | - | 95.0 |
| Claude Fable 5 | - | 88.0 | 64.5* | - | 94.2 |
| Claude Opus 4.8 | - | 84.3 | 57.9* | - | 93.1 |
| GPT-5.5 | - | 84.4 | 52.2* | 87.4 | - |
| Gemini-3.1-Pro | - | 85.9 | 51.4* | 80.6 | 93.3 |
大模型(>40B)
| 模型 | 参数量 | BrowseComp | HLE | GAIA | DeepSearchQA |
|---|
| GLM-5 | 744B | 75.9 | 50.4 | 70.0 | - |
| Kimi-K2.6 | 1T | 83.2 | 54.0* | 80.6 | 92.5 |
| GLM-5.3-Flash | 320B | - | 55.3* | 78.8 | - |
| DeepSeek-V4-Flash | 284B | 73.2 | 45.1 | 57.5 | 90.6 |
| DeepSeek-V4-Pro | 1.6T | 83.4 | 48.2 | 71.1 | 88.7 |
| MiroThinker-1.7 | 235B | 74.0 | 42.9 | 82.7 | 72.1 |
| XYZ-Aquila-pro | 397B | 84.8 | 53.3 | - | 92.5 |
| Iris-pro | 397B | 88.6 | 56.4 | - | 92.9 |
| AREX-Base | 122B | 82.5 | 52.4 | 85.4 | 89.9 |
小模型(≤40B)
| 模型 | 参数量 | BrowseComp | HLE | GAIA | DeepSearchQA |
|---|
| Tongyi-DeepResearch-30B | 30B | 43.4 | 32.9 | 70.9 | - |
| Qwen3.5-35B | 35B | 61.0 | 47.4 | 80.0 | 68.5 |
| XYZ-Aquila-mini | 35B | 78.8 | 51.1 | 97.1 | 89.5 |
| BigBang-V1 | 35B | 76.5 | 50.3 | - | - |
| Quest-35B | 35B | 64.6 | 37.2 | 80.8 | - |
| Apodex-1.0-mini | 35B | 71.5 | 46.8 | - | 82.2 |
| Agents-A1 | 35B | 75.5 | 47.6 | 96.0 | - |
| MiroThinker-1.7-mini | 30B | 67.9 | 36.4 | 80.3 | 67.9 |
| Iris-mini | 35B | 82.2 | 52.3 | - | 86.9 |
| AREX-Turbo | 4B | 70.7 | 40.6 | 81.6 | 78.5 |
| AREX-2 | 27B | 84.0 | 52.6 | 92.2 | 93.8 |