27B小模型反超1.6T巨兽！智源AREX-2长程反思撬动RSI新路径

机器之心发布 当模型学会持续迭代改进算法，便推开了通往智能自主进化的大门。近日，由来自智源研究院、中国科技大学、中国人民大学等多个机构的研究人员组成的 AREX 研究小组发布 AREX-2 模型。该模型以轻量级的 Qwen3.8-27B 为基座，基于围绕机器学习与算法编程场景构建的长程反思数据训练而成，不仅在 MLE-bench Lite、Frontier-CS 上展现出领先的机器学习与算法编程能力，更将这种能力迁移至深度研究与科学问题求解，在 BrowseComp、HLE 等重要基准上刷新了开源轻量模型的最佳表现。这些结果表明，长程反思训练有望帮助模型习得跨领域的自我改进能力，让更多测试时投入持续转化为更好的结果，为 RSI 提供一条可训练、可验证的实现路径。 九月的前三周，GPT-6 Astra、Fable 5.1 等旗舰模型接连登场。当人们还在惊叹于 Claude 用 11 天、1300 万行代码完成费马大定理的首个形式化证明时，仅仅四天后，OpenAI 就宣布，其模型可能解决了另一道数学难题 —— 千禧年大奖难题之一的 Navier–Stokes 方程问题。新模型不断涌现，一次次刷新人们对智能边界的想象，也让一个问题愈发引人关注：模型能否持续改进自身，从而走得更远？ 递归自我改进（Recursive Self-Improvement，简称 RSI）由此成为研究者、创业者和投资人共同关注的方向。但热议之下，一个基本问题仍有待回答：究竟什么是 RSI，又该如何培养和衡量这种能力？ AREX 团队给出了一个具体的切入点：在单次任务中，让智能体在测试时通过持续反思与迭代，不断改进自身的解题方案。从这一视角看，RSI 并不神秘，而是一种新的测试时扩展（test-time scaling）范式 —— 让更多轮次的投入，持续转化为更好的结果。 这一能力的核心，在于反思与长程。前者决定每一轮改进的质量，后者决定改进能够持续多久。二者如同复利中的收益率与时间，共同影响最终的回报。而培养这种能力的关键，是让模型从训练数据中学会 “如何持续改进”。 AREX 团队进一步提出：长程反思是一种可以跨领域迁移的元能力。如果能找到合适的训练场，模型便有望将在一个领域习得的改进方法，运用到其他领域。为此，团队选择了机器学习与算法编程两个场景：它们既有丰富的任务素材，也能提供清晰、可验证的环境反馈，为智能体在多轮迭代中持续提升表现创造了条件。 以上述场景为训练场，团队基于 Qwen3.8-27B 开发了 AREX-2。实验中，AREX-2 展现出突出的测试时扩展能力：在 MLE-bench 和 Frontier-CS 上分别取得 81.8 和 70.7 的成绩，大幅刷新开源轻量模型的最佳表现；在 BrowseComp 和 HLE 上也分别达到 84.0 和 52.6，较上一代 AREX 显著提升。 这些结果表明，长程反思训练有望帮助模型学得跨领域的自我改进能力，让更多测试时投入持续转化为更好的结果，为 RSI 提供一条可训练、可验证的实现路径。 论文链接：https://arxiv.org/abs/2609.38288 项目主页：https://github.com/VectorSpaceLab/AREX-2 模型权重：https://huggingface.co/collections/BAAI/arex-2 网址链接：https://arex-research.com/ AREX 团队 RSI 是一种新的测试时扩展范式 什么是 RSI，又该如何培养和衡量模型的这种能力？ AREX 团队给出了一个具体的切入点：在单次任务中，让智能体在测试时通过持续反思与迭代，不断改进自身的解题方案。从这一视角看，RSI 并不神秘，而是一种新的测试时扩展（test-time scaling）范式 —— 让更多轮次的投入，持续转化为更好的结果。 这一能力的核心在于点：用问题来驱动，反思与长程。 反思能力，决定每一轮改进的质量：智能体能否依据反馈，提出比当前方案更好的方案？反思的价值不在于写出一段 “自我评价”，而在于将发现的问题转化为真正有效的修改。 长程能力，决定改进能够持续多久：智能体能否在多轮执行中持续推进，让改进过程不因一次失败、一次回退，或反复尝试无效方向而过早停滞？长程的重点不是运行时间本身，而是能够积累多少轮有效改进。 反思和长程能力如同复利中的收益率与时间，共同影响最终的回报。而培养这种能力的关键，是让模型从训练数据中学会 “如何持续改进”。遗憾的是，能够完整展现这一过程的数据，恰恰是现有语料中最稀缺的部分。 机器学习与算法编程 天然的长程反思能力训练场 AREX 团队提出：长程反思是一种可以跨领域迁移的元能力。如果能找到合适的训练场，模型便有望将在一个