AREX-2 用长程反思轨迹训练 27B 智能体，MLE-bench Lite 达 81.8、BrowseComp 达 84.0

论文把自我改进拆成两种互补能力：反思决定一轮能带来多少增益，长程执行决定有多少轮仍然有效，并给出总改进约等于两者乘积的形式化描述。 以往智能体系统把重试与保留策略放在外部脚手架里，模型只负责单次尝试；这里把循环移入模型内部，并把自我改进定义为同一任务上的测试时扩展。 该结论来自论文的形式化推导与对现有训练数据“一次尝试一条样本”的观察，属于概念与框架层面的论证。

作者用教师模型把 GitHub 仓库与在线评测题编译成可执行环境，再让教师智能体在数小时、数百次工具调用的预算下反复提交与修订，从而得到包含失败、回退与被放弃方案的长程轨迹。 轨迹以整体成败筛选，只要求最终分数高且过程合规，不要求单轮成功，因此失败与回退被保留下来作为学习信号。 环境准入由两次执行检查把关：参考解必须能跑出分数，简单基线必须明显低于参考解，以保证环境留有改进空间。

在 MLE-bench Lite 上 AREX-2 取得 81.8，为对比表中最高，比最强基线 Naive-N0.5-Flash 高 8.1 分、比最强闭源基线 GPT-5.6 Sol 高 9.1 分；在 Frontier-CS 上取得 70.7，比最强开源基线高 16.0 分。 这些成绩由 27B 参数模型取得，而对比对象中包含参数量远大于它的系统。 MLE-bench Lite 报告 Any Medal 并取三个随机种子平均，Frontier-CS 采用 Agent Track 官方设置、每题最多 5 小时，MLE-Lite 采用 OpenMLE 协议、每题最多 12 小时。

深度研究四个基准上 AREX-2 达到 BrowseComp 84.0、HLE 52.6、GAIA 92.2、DeepSearchQA 93.8，且未新增任何深度研究训练数据，全面超过上一代 AREX（4B）与 AREX（122B）。 新增轨迹中没有搜索类任务，深度研究数据与上一版配方保持一致，因此提升可被读作跨域迁移的证据。 论文同时给出轮次扩展曲线：BrowseComp 上准确率从 47 轮的 64.8 升到 143 轮的 84.0，每轮增益约为 AREX 的三倍，且模型规模不到其四分之一。

这项工作面向需要在同一任务上反复尝试、且能获得可验证反馈的场景，例如机器学习工程与算法编程；其数据构建依赖 GitHub 仓库与在线评测题这类反馈明确、可持续改进、来源充足的领域。对深度研究等没有外部正确性信号的场景，论文展示了模型依靠自身判断继续搜索与修订也能提升，但适用前提是任务允许长轮次预算。消融显示，操作知识（通用技能与任务相关技能）与更多轮次可把基座模型从 28.8 提升到 68.2，训练再在此基础上把同技能同轮次条件下的成绩提高 13.6 分，因此该方法对愿意投入推理预算与技能上下文的部署方最有价值。

论文自述在最强 BrowseComp 与 HLE 成绩上仍存在差距，说明迁移并非在所有基准上都达到前沿水平。轮次扩展曲线显示收益随时间递减，因此更大预算的边际价值需要按任务判断。轨迹筛选以最终分数与过程合规为准，其中“过程合规”的判定细节在本文范围内未展开。此外，技能在 MLE-Lite 评估时保留在上下文中，技能与训练各自的贡献由消融给出，但技能在测试时的具体作用机制仍是开放问题。作者提出的下一步是拓宽训练域、拉长时程，并让模型自身轨迹成为下一轮训练数据。