AREX-2: модель сама крутит цикл улучшения ответа

Что в ролике
Если вы строили агентов сами, то наверняка писали цикл «попытка — проверка — повтор» в обвязке, а модель лишь выдавала один вариант за раз. AREX-2 от Пекинской академии ИИ — это 27B-модель с открытыми весами и лицензией Apache 2, файнтюн Qwen, которая берёт этот цикл внутрь: ей задают бюджет, и она сама решает, сколько раундов потратить на улучшение ответа. На эталонном тесте MLE Bench Light модель набирает 81,8 против 72,7 у GPT-5,6 Soul, а на Frontier CS — 70,7, уступая той же GPT около шести пунктов. Примечательно, что за пять часов та же модель растёт с 54 после первого часа до 70,7 к концу, тогда как DeepSeek 4 Pro выходит на плато около 45 уже через два часа. Автор разбирает, как собирались данные: учитель генерировал долгие траектории с провальными попытками, но дообучали только шаги, которые реально двигали результат вперёд. Отдельное ablation-исследование показывает, что навыки дают больше всего прироста: базовая Qwen без навыков получает 28,8, с общими навыками — 41,2, с задачно-специфичными — 68,2, а обученный AREX-2 с теми же навыками — 81,8. Практический вывод автора: обвязка не исчезнет, но её роль сместится на подачу честного сигнала, навыков и бюджета, а не на управление каждым повтором. В конце он проверяет модель в собственном тесте RoundLab на задаче коммивояжёра с 300 точками и 12 попытками, но разница с базовой моделью у него оказалась скромной.
Практика
- Что получишь
- Понимание того, как модель может сама управлять циклом улучшения, и ориентир, когда ваш агент буксует из-за слабой рефлексии или короткого горизонта.
- Первый шаг
- Скачать модель AREX-2 с Hugging Face по ссылке в описании и запустить её с собственным харнессом, выделив бюджет в несколько раундов и подавая честный скоринг.
- Цифры
- —81,8 — балл AREX-2 на MLE Bench Light против 72,7 у GPT-5,6 Soul
- —70,7 — балл на Frontier CS, на шесть пунктов ниже GPT-5,6 Soul
- —54 → 66 → 70,7 — рост балла AREX-2 за первый, второй и пятый час 5-часового бюджета
- —28,8 → 41,2 → 68,2 → 81,8 — как растёт оценка базовой Qwen по мере добавления общих навыков, специфичных навыков и дообучения AREX-2
- Честно
- Автор просит подписаться и поставить лайк, потому что канал зависит от охватов, но платных продуктов или спонсорских интеграций в ролике нет. Обучающий код и датасеты разработчики не выложили, поэтому воспроизвести их пайплайн не получится. Собственный тест автора показал лишь скромное преимущество AREX-2 перед базовой Qwen, а часть результатов и графиков видна только на экране.
Если слова незнакомы — 6 терминов
- харнессвнешний код, который управляет циклом вызовов модели и принимает решения о повторах
- файнтюндообучение готовой модели на новых примерах
- ablation-исследованиеспособ проверить вклад отдельных компонентов, по очереди отключая их
- траекторииполные последовательности шагов агента, включая неудачные попытки
- рефлексияспособность модели оценивать свой текущий результат и решать, можно ли сделать лучше
- длинный горизонтспособность продолжать улучшать решение в течение многих раундов без потери контекста
Компоненты
7 шт.Формат: обзор · для продвинутых · уверенность разметки 0.9 · источник