- Startseite
- KI-Modelle
- AREX-2
BAAISprachmodellOffene Gewichte
AREX-2
Für AREX-2 gibt es noch keinen Wert im Gesamtindex, weil zu wenige unabhängige Benchmark-Ergebnisse vorliegen.
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.
Auf dieser Seite
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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:
- 11. November 2026: Wert nur mit Such- oder Nutzungsdaten, 30-Tage-Aufmerksamkeit
- 21. November 2026: Methodenversion 4 (gemeinsame Skala, Schrumpfung)
- 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.
Ähnliche Modelle
Weitere Modelle derselben Art wie AREX-2, ausgewählt nach Modellreihe, Anbieter, Größe, Preis und Erscheinungsdatum.
- Qwen 3.6 27BAlibaba · ähnliche Größe
- Gemma 4 26B A4BGoogle · ähnliche Größe
- Qwen 3.5 27BAlibaba · ähnliche Größe
- Gemma 3 27BGoogle · ähnliche Größe
- Arete-27BNous Research · ähnliche Größe
- Gemma 2 27BGoogle · ähnliche Größe
- Hemmingway-1The Commons Lab · ähnliche Größe
- DiffusionGemma 26B A4B ITGoogle · ähnliche Größe
Alle technischen Daten
Architektur
Ein- und Ausgabe
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
- Abschaltung
- Keine angekündigt
- ohne Quelle
API
Häufige Fragen zu AREX-2
Wie groß ist das Kontextfenster von AREX-2?
262.144 Token. Für Ein- und Ausgabe können zusätzliche Limits gelten.
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.