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
AREX-2 把智能体的自我改进定义为测试时用更多轮次迭代出更好解，并从机器学习工程与算法编程任务中合成含失败与回退的长程改进轨迹，微调 Qwen3.8-27B 后取得 MLE-bench Lite 81.8、Frontier-CS 70.7，并在未新增深度研究数据的情况下把 BrowseComp 提升到 84.0、HLE 52.6、GAIA 92.2、DeepSearchQA 93.8，且随轮次预算增加持续提升。