Zum Hauptinhalt springen

BAAISprachmodellOffene Gewichte

AREX-2

Für AREX-2 gibt es noch keinen Wert im Gesamtindex, weil zu wenige unabhängige Benchmark-Ergebnisse vorliegen.

BeliebtheitPlatz 172 von 342 Sprachmodellen

40von 100neue Berechnung

beruht auf zwei Datengruppen, überwiegend Suche, Spanne 29 bis 52

Zusammenfassung

AREX-2 lernt, einen Lösungsversuch über mehrere Runden zu verbessern. BAAI trainiert den 27B-Checkpoint auf einen Ablauf aus Vorschlag, Messung, Reflexion und Überarbeitung. Verifizierbares Feedback aus Machine-Learning- und Programmieraufgaben soll diese Arbeitsweise auch auf Deep Research übertragen.

Das multimodale Modell ist unter Apache 2.0 mit offenen Gewichten verfügbar. BAAI dokumentiert eine lokale Transformers-Bereitstellung.

Alle Benchmark-Werte

Jeder veröffentlichte Messwert mit Quelle, Testbedingungen und Vergleichsmodellen.

Alle 11 veröffentlichten Benchmark-Werte anzeigen

Messungen ohne passende Vergleichswerte

Für diese Messungen fehlen passende Vergleichswerte unter gleichen Testbedingungen. Die Originalwerte und Quellen bleiben hier nachlesbar.

MLE-Lite (Messwert, Testbedingungen und Quelle anzeigen)
Originalwert
81,8
Messgröße
Any Medal rate: percentage of competitions earning a medal, averaged over three seeds
Einheit
%
Benchmark-Version
arXiv:2609.38288v1
Kategorie
source-specific
Richtung
Mehr ist besser
Quellentyp
vendor-reported
Auswertung
Technical report
Status
active
Abrufdatum
2026-10-04
Methodik
AREX-2 wurde mit Skills im Kontext nach dem OpenMLE-Protokoll für MLE-bench Lite und höchstens zwölf Stunden je Aufgabe geprüft. Any Medal bezeichnet den prozentualen Anteil der Wettbewerbe, in denen der Agent eine Medaille erreicht, gemittelt über drei Seeds.
Einordnung
Quellenspezifische Beobachtung, keine gemeinsame Vergleichsgruppe. Die Quelle benennt für diesen Zahlenwert keine Einheit oder Skala.
Quelle Technical report
Frontier-CS Agent Track / mean best-so-far / 1-hour budget (Messwert, Testbedingungen und Quelle anzeigen)
Originalwert
54,4
Messgröße
Mean best-so-far Frontier-CS score after one hour per task
Einheit
%
Benchmark-Version
Frontier-CS Agent Track as reported in AREX-2 arXiv:2609.38288v1
Kategorie
coding
Richtung
Mehr ist besser
Stichprobe
188
Quellentyp
vendor-reported
Auswertung
AREX Team, Beijing Academy of Artificial Intelligence, AREX-2: Advancing Self-Improving Agents through Long-Horizon Reflective Tasks, arXiv:2609.38288v1
Status
active
Abrufdatum
2026-10-17
Methodik
Vom Anbieter veröffentlichter Wert. Exakter BAAI/AREX-2-Agent, aufgebaut auf Qwen3.8-27B, im optimierten Harness der Autoren. Die Studie nutzt die 188 Aufgaben des Frontier-CS Agent Track mit einem Höchstbudget von fünf Stunden je Aufgabe. In jeder Runde schreibt oder überarbeitet der Agent Code, kompiliert ihn, führt die bereitgestellten Beispieldaten sowie eigene Zufalls- und Randfalltests aus, reicht eine Lösung ein und verwendet die Auswertungsrückmeldung für die nächste Runde. Abschnitt 3.3.1 berichtet diesen Ein-Stunden-Wert; Figure 4 definiert die Kurve als mittleren bisher besten Frontier-CS-Score über die 188 Aufgaben. Figure 2 beschriftet die Achse desselben Frontier-CS-Scores mit Prozent und zeigt den passenden Fünf-Stunden-Wert von 70,7 %. Das verankert die Skala der Quelle. Abschnitt 3.3.1 beschreibt Zuwächse zwischen Zwischenständen als Punkte.
Einordnung
Abschnitt 3.3.1 beschreibt Veränderungen zwischen Zwischenständen als Punkte. Figure 2 beschriftet den Frontier-CS-Score dagegen ausdrücklich mit Prozent und zeigt denselben Fünf-Stunden-Endstand wie Figure 4. Der absolute Ein-Stunden-Zwischenstand wird deshalb als Prozent derselben Metrik geführt; relative Zuwächse oder Änderungen in Prozentpunkten werden nicht abgeleitet. Das Paper legt nicht gesondert fest, ob seine Wortwahl „points“ für Veränderungen Prozentpunkte meint. Ein Konfidenzintervall wird nicht veröffentlicht. Dieser Zwischenstand verwendet dieselbe Kohorte mit 188 Aufgaben und dieselben Agentenläufe wie die späteren Zwischenstände, also keinen unabhängigen Wiederholungslauf.
Quelle AREX Team, Beijing Academy of Artificial Intelligence, AREX-2: Advancing Self-Improving Agents through Long-Horizon Reflective Tasks, arXiv:2609.38288v1
Frontier-CS Agent Track / mean best-so-far / 2-hour budget (Messwert, Testbedingungen und Quelle anzeigen)
Originalwert
65,9
Messgröße
Mean best-so-far Frontier-CS score after two hours per task
Einheit
%
Benchmark-Version
Frontier-CS Agent Track as reported in AREX-2 arXiv:2609.38288v1
Kategorie
coding
Richtung
Mehr ist besser
Stichprobe
188
Quellentyp
vendor-reported
Auswertung
AREX Team, Beijing Academy of Artificial Intelligence, AREX-2: Advancing Self-Improving Agents through Long-Horizon Reflective Tasks, arXiv:2609.38288v1
Status
active
Abrufdatum
2026-10-17
Methodik
Vom Anbieter veröffentlichter Wert. Exakter BAAI/AREX-2-Agent, aufgebaut auf Qwen3.8-27B, im optimierten Harness der Autoren. Die Studie nutzt die 188 Aufgaben des Frontier-CS Agent Track mit einem Höchstbudget von fünf Stunden je Aufgabe. In jeder Runde schreibt oder überarbeitet der Agent Code, kompiliert ihn, führt die bereitgestellten Beispieldaten sowie eigene Zufalls- und Randfalltests aus, reicht eine Lösung ein und verwendet die Auswertungsrückmeldung für die nächste Runde. Abschnitt 3.3.1 berichtet diesen Zwei-Stunden-Wert; Figure 4 definiert die Kurve als mittleren bisher besten Frontier-CS-Score über die 188 Aufgaben. Figure 2 beschriftet die Achse desselben Frontier-CS-Scores mit Prozent und zeigt den passenden Fünf-Stunden-Wert von 70,7 %. Das verankert die Skala der Quelle. Abschnitt 3.3.1 beschreibt Zuwächse zwischen Zwischenständen als Punkte.
Einordnung
Abschnitt 3.3.1 beschreibt Veränderungen zwischen Zwischenständen als Punkte. Figure 2 beschriftet den Frontier-CS-Score dagegen ausdrücklich mit Prozent und zeigt denselben Fünf-Stunden-Endstand wie Figure 4. Der absolute Zwei-Stunden-Zwischenstand wird deshalb als Prozent derselben Metrik geführt; relative Zuwächse oder Änderungen in Prozentpunkten werden nicht abgeleitet. Das Paper legt nicht gesondert fest, ob seine Wortwahl „points“ für Veränderungen Prozentpunkte meint. Ein Konfidenzintervall wird nicht veröffentlicht. Dieser Zwischenstand verwendet dieselbe Kohorte mit 188 Aufgaben und dieselben Agentenläufe wie die Ein- und Fünf-Stunden-Zwischenstände, also keinen unabhängigen Wiederholungslauf.
Quelle AREX Team, Beijing Academy of Artificial Intelligence, AREX-2: Advancing Self-Improving Agents through Long-Horizon Reflective Tasks, arXiv:2609.38288v1
MLE-bench Lite (Messwert, Testbedingungen und Quelle anzeigen)
Originalwert
75,8
Messgröße
Any Medal, percentage of competitions with a medal averaged over three seeds
Einheit
%
Benchmark-Version
arXiv:2609.38288v1, stage-wise ablation (Figure 6 and section 3.3.3), stage M3
Richtung
Mehr ist besser
Quellentyp
vendor-reported
Auswertung
AREX Team, Beijing Academy of Artificial Intelligence, AREX-2: Advancing Self-Improving Agents through Long-Horizon Reflective Tasks, Figure 6 and section 3.3.3
Status
active
Abrufdatum
2026-10-18
Methodik
Vom Anbieter veröffentlichter Wert. AREX-2 (27B), MLE-bench Lite mit aufgabenspezifischen Skills im Kontext, OpenMLE-Protokoll (maximal 12 Stunden je Aufgabe), Stufe M3; M3 verwendet dieselben Skills wie M2, aber die Basiszahl an Runden aus M0/M1. Das Paper nennt weder die konkrete Rundenzahl noch einen unveränderlichen geprüften Checkpoint oder Serving-Endpunkt.
Einordnung
Das Paper nennt weder die Zahl der für die Zelle 75,8 ausgewerteten Wettbewerbe noch ein Konfidenzintervall. Der Mittelwert aus drei Seeds ist selbst kein Konfidenzintervall. Der geprüfte Checkpoint oder Serving-Endpunkt ist nicht gepinnt.
Quelle AREX Team, Beijing Academy of Artificial Intelligence, AREX-2: Advancing Self-Improving Agents through Long-Horizon Reflective Tasks, Figure 6 and section 3.3.3
MLE-bench Lite (Messwert, Testbedingungen und Quelle anzeigen)
Originalwert
81,8
Messgröße
Any Medal rate; mean over three seeds
Einheit
%
Benchmark-Version
AREX-2 stage M4
Richtung
Mehr ist besser
Quellentyp
independent-evaluator
Auswertung
OpenMLE, as reported in AREX-2 (arXiv:2609.38288)
Status
active
Abrufdatum
2026-10-22
Methodik
Unabhängige Evaluation. AREX-2 (27B) auf MLE-bench Lite mit Skills im Kontext. Abschnitt 3.3.3 ordnet die Zelle mit 81,8 der Stufe M4 zu, die dieselben aufgabenspezifischen Skills wie M2 und mehr Runden verwendet, konkret dieselbe Rundenzahl wie M2. Tabelle 1 sagt, dass OpenMLE die MLE-Lite-Ergebnisse reproduziert und meldet, und definiert Any Medal als Mittelwert aus drei Seeds. Die genaue Wettbewerbszahl, Rundenzahl, ein unveränderlicher Checkpoint und ein Serving-Endpunkt werden nicht genannt.
Einordnung
Der Wert 81,8 gehört laut Quelle zur M4-Konfiguration mit mehr Runden und unterscheidet sich von der gepinnten M3-Baseline 75,8 mit der Basis-Rundenzahl. Das Paper nennt den Mittelwert aus drei Seeds, aber weder die genaue Wettbewerbszahl noch ein Konfidenzintervall. Ein Mittelwert aus drei Seeds ist kein Konfidenzintervall. Es handelt sich um eine Agentensystem-Auswertung mit Skills und iterativen Runden, nicht um einen unassistierten Basismodellwert.
Quelle OpenMLE, as reported in AREX-2 (arXiv:2609.38288)
Frontier-CS (Messwert, Testbedingungen und Quelle anzeigen)
Originalwert
70,7
Messgröße
Mean best-so-far score on the Frontier-CS Agent Track
Einheit
Keine Einheit angegeben
Benchmark-Version
arXiv:2609.38288v1
Kategorie
source-specific
Richtung
Mehr ist besser
Stichprobe
188
Quellentyp
vendor-reported
Auswertung
Technical report
Status
active
Abrufdatum
2026-10-04
Methodik
AREX-2 wurde mit dem optimierten Harness auf dem 188-Aufgaben-Agent-Track von Frontier-CS mit höchstens fünf Stunden Ausführungszeit je Aufgabe geprüft. Die Studie berichtet den mittleren bis dahin besten Score über den Track. Einheit und Skala der Tabellenzelle werden nicht angegeben.
Einordnung
Quellenspezifische Beobachtung, keine gemeinsame Vergleichsgruppe. Die Quelle benennt für diesen Zahlenwert keine Einheit oder Skala.
Quelle Technical report
BrowseComp (Messwert, Testbedingungen und Quelle anzeigen)
Originalwert
84
Messgröße
Accuracy on BrowseComp
Einheit
Keine Einheit angegeben
Benchmark-Version
arXiv:2609.38288v1
Kategorie
source-specific
Richtung
Mehr ist besser
Quellentyp
vendor-reported
Auswertung
Technical report
Status
active
Abrufdatum
2026-10-04
Methodik
AREX-2 wurde mit dem Deep-Research-Protokoll der Studie und höchstens 300 inneren sowie 1.500 gesamten Turns geprüft. Der Wert ist als Accuracy ausgewiesen. Die Quelle nennt für diese Modellzelle keine Aufgabenanzahl.
Einordnung
Quellenspezifische Beobachtung, keine gemeinsame Vergleichsgruppe. Die Quelle benennt für diesen Zahlenwert keine Einheit oder Skala.
Quelle Technical report
HLE text-only (Messwert, Testbedingungen und Quelle anzeigen)
Originalwert
52,6
Messgröße
Accuracy on the text-only subset of Humanity's Last Exam
Einheit
Keine Einheit angegeben
Benchmark-Version
arXiv:2609.38288v1
Kategorie
source-specific
Richtung
Mehr ist besser
Quellentyp
vendor-reported
Auswertung
Technical report
Status
active
Abrufdatum
2026-10-04
Methodik
AREX-2 wurde auf der Text-only-Teilmenge von HLE mit dem Deep-Research-Protokoll der Studie geprüft, begrenzt auf 300 innere und 1.500 gesamte Turns. Der Wert ist als Accuracy ausgewiesen. Die Quelle nennt für diese Modellzelle keine Aufgabenanzahl.
Einordnung
Quellenspezifische Beobachtung, keine gemeinsame Vergleichsgruppe. Die Quelle benennt für diesen Zahlenwert keine Einheit oder Skala.
Quelle Technical report
GAIA (Messwert, Testbedingungen und Quelle anzeigen)
Originalwert
92,2
Messgröße
Accuracy on GAIA
Einheit
Keine Einheit angegeben
Benchmark-Version
arXiv:2609.38288v1
Kategorie
source-specific
Richtung
Mehr ist besser
Quellentyp
vendor-reported
Auswertung
Technical report
Status
active
Abrufdatum
2026-10-04
Methodik
AREX-2 wurde mit dem Deep-Research-Protokoll der Studie und höchstens 300 inneren sowie 1.500 gesamten Turns geprüft. Der Wert ist als Accuracy ausgewiesen. Die Quelle nennt für diese Modellzelle keine Aufgabenanzahl.
Einordnung
Quellenspezifische Beobachtung, keine gemeinsame Vergleichsgruppe. Die Quelle benennt für diesen Zahlenwert keine Einheit oder Skala.
Quelle Technical report
DeepSearchQA F1 (Messwert, Testbedingungen und Quelle anzeigen)
Originalwert
93,8
Messgröße
F1 on DeepSearchQA
Einheit
Keine Einheit angegeben
Benchmark-Version
arXiv:2609.38288v1
Kategorie
source-specific
Richtung
Mehr ist besser
Quellentyp
vendor-reported
Auswertung
Technical report
Status
active
Abrufdatum
2026-10-04
Methodik
AREX-2 wurde mit dem Deep-Research-Protokoll der Studie und höchstens 300 inneren sowie 1.500 gesamten Turns geprüft. Als Metrik wird F1 berichtet. Die Quelle nennt für diese Modellzelle keine Aufgabenanzahl.
Einordnung
Quellenspezifische Beobachtung, keine gemeinsame Vergleichsgruppe. Die Quelle benennt für diesen Zahlenwert keine Einheit oder Skala.
Quelle Technical report
BrowseComp (Messwert, Testbedingungen und Quelle anzeigen)
Originalwert
64,8
Messgröße
accuracy at 47 turns
Einheit
Keine Einheit angegeben
Richtung
Keine Richtung veröffentlicht
Quellentyp
vendor-reported
Auswertung
AREX-2 paper (arXiv)
Status
active
Abrufdatum
2026-10-19
Methodik
Vom Anbieter veröffentlichter Wert. BrowseComp-Budgetkurve im AREX-2-Paper; der Wert wird bei 47 Zügen berichtet, ohne dass während des Laufs ein Richtigkeitswert zurückgemeldet wird. Für diesen Punkt veröffentlicht das Paper weder eine Zahl abgeschlossener Modellläufe noch ein Konfidenzintervall.
Einordnung
Der angeheftete Datensatz enthält bereits den Wert 84,0 bei 143 Zügen. Dieser Kandidat betrifft nur die separate Bedingung mit 47 Zügen; der Quellenausschnitt nennt weder Nenner, Einheit noch Konfidenzintervall.
Quelle AREX-2 paper (arXiv)

Beliebtheit im Vergleich

Wie oft das Modell gesucht, genutzt und erwähnt wird, im Vergleich mit allen Modellen dieser Kategorie.

Beliebtheitsindex

Die 100 beliebtesten Modelle dieser Kategorie, 0 bis 100, höher ist beliebter

20 von 101 Modellen

Stand November 2026 · Quelle: gradually.ai Beliebtheitsindex

Zeitlicher Verlauf

Wochenwerte vom 18. Oktober 2026 bis 20. November 2026

AREX-2GPT-5.3-Codex 41Mistral Small 3 40Magistral Small 40Mixtral 8x22B 40

Methodenwechsel im Verlauf, ein Sprung an dieser Stelle ist kein Marktereignis:

  1. 11. November 2026: Wert nur mit Such- oder Nutzungsdaten, 30-Tage-Aufmerksamkeit
  2. 21. November 2026: Methodenversion 4 (gemeinsame Skala, Schrumpfung)
  3. 39. November 2026: Neue Topics-Erhebung V20 (Tagesquorum, Kurzformen)

Was gerade an Beliebtheit gewinnt, steht für Modelle, Anbieter, Harnesses und KI-Abos gesammelt in Alle KI-Trends.

Alle technischen Daten

Architektur

Modellklasse
Multimodales Agentenmodell für lang laufende Aufgaben
Quelle: Modellklasse
Parameter
27 Milliarden
Quelle: Parameter
Architektur
Dichtes multimodales Modell mit Qwen3.8-kompatibler Architektur
Quelle: Architektur

Ein- und Ausgabe

Kontextfenster
262.144 Token
Quelle: Kontextfenster

Wasserzeichen und Herkunft

KI-Wasserzeichen meint unsichtbare Signale in der Ausgabe. Sichtbare Zeichen und Herkunftsmetadaten sind getrennt aufgeführt. Unbekannt bedeutet, dass für die jeweilige Angabe kein ausreichender Beleg vorliegt.

KI-Wasserzeichen
Unbekannt
ohne Quelle
Wasserzeichen-Technik
Nicht bekannt
ohne Quelle

Lizenz und Zugang

Zugang
Lokale Gewichte mit Transformers
Quelle: Zugang
Lizenz
Apache 2.0
Quelle: Lizenz
Abschaltung
Keine angekündigt
ohne Quelle

API

Modellkennung
BAAI/AREX-2
Quelle: Modellkennung

Häufige Fragen zu AREX-2

Wie groß ist das Kontextfenster von AREX-2?

262.144 Token. Für Ein- und Ausgabe können zusätzliche Limits gelten.

KontextfensterKontextlimit in Token · höher ist besser
AREX-2Platz 77 von 112262 Tsd.
Kimi K2.6262 Tsd.
Qwen 3.8 27B262 Tsd.
Kimi K2.7 Code262 Tsd.
Kimi K2.5262 Tsd.
Kimi K2 Thinking262 Tsd.
Mistral Medium 3.5262 Tsd.

Kann ich AREX-2 lokal nutzen?

Ja, die Gewichte sind offen.

Angaben von BAAI

Offene Gewichte
ja
Lizenz
Apache 2.0
Parameter
27 Mrd.
davon aktiv je Token
k. A.

Quellen und Datenstand

Alle 11 Quellen anzeigen

Benchmarkquellen im Überblick

Welche unabhängigen Auswerter dieses Modell getestet haben. Das ist Abdeckung, keine Qualitätsrangliste.

Für dieses Modell ist derzeit kein aktives Ergebnis der geprüften externen Auswerter zugeordnet. Weitere Quellenbelege stehen darunter.

Ohne Herstellerangaben sowie historische oder strittige Ergebnisse; diese stehen gekennzeichnet bei den Einzelwerten.