AREX-2：用长程反思任务训练自我进化智能体，刷新多项基准
让智能体在测试时「越做越好」
大模型智能体的能力边界，正在从「一次性回答」转向「反复自我修正」。arXiv 上一项新研究 AREX-2 提出了一个颇具野心的目标：让 LLM 智能体具备自我改进（self-improving）能力，也就是在测试阶段不断迭代、把当前解逐步打磨成更优解。
研究团队把这种能力拆解为两个互补的部分：
- 反思（reflection）：能够产出一个比现有解更好的新解；
- 长程执行（long-horizon execution）：让这种迭代在几十上百轮之后依然有效，而不是几轮之后就「原地打转」。
关键假设：这两种能力与领域无关
论文的核心假设是——反思与长程执行并不绑定于特定领域，因此可以在「适合监督」的场景中被学习，再迁移到其他任务上。
为了验证这一点，作者从两类任务中合成长程改进轨迹：
- 机器学习任务（如 MLE-bench 类工程问题）；
- 算法编程任务。
选择这两类领域的原因很直接：它们提供可验证的反馈（对错、分数、通过率可自动判定），并且奖励持续迭代——也就是说，智能体多跑几轮，理论上就应该拿到更好的结果。
成绩单：从 MLE-bench 到深度研究
AREX-2 基于 Qwen3.8-27B 构建，在多个基准上给出了相当亮眼的数字：
- MLE-bench Lite：81.8
- Frontier-CS：70.7
- BrowseComp：84.0
- HLE：52.6
- GAIA：92.2
- DeepSearchQA：93.8
更值得注意的是迁移能力。模型只在机器学习与算法编程任务上训练，却在**深度研究（deep research）**类任务上取得高分——这说明长程反思带来的不是某种「刷题技巧」，而是一种更通用的解题策略。
为什么「轮数」本身成了变量
论文强调，随着迭代轮数预算（budget of rounds）增加，性能持续提升。这一点在工程上意义重大：它意味着智能体的表现不再只由模型参数决定，还可以通过「给它更多思考轮次」来换取质量。对于需要高可靠性的场景（科研辅助、代码生成、复杂检索问答），这提供了一条可调节的算力—质量曲线。
行业视角
当前智能体赛道的一个普遍痛点是：多轮自我修正往往在几轮后就退化，模型开始重复错误或陷入无效循环。AREX-2 的思路是把「如何长程地改进」当作一种可训练的数据分布问题，而不是靠提示词工程临时拼凑。
如果这一路线可复现，它可能影响两件事：
- 训练数据的组织方式：合成可验证的长程轨迹，可能成为智能体后训练的标准配方；
- 推理时的算力分配：从「一次采样」转向「预算化迭代」，让 test-time compute 真正兑现价值。
论文作者表示代码与模型将会开源，具体链接已在论文中给出。目前结果均来自论文自报，后续社区复现情况仍待观察。
