SprachmodellOffene Gewichte

AREX-2

BAAI

Veröffentlicht: -
Datenstand: 3. Oktober 2026

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.

Technische Daten und Zugang

Angabe	Wert und Quelle
Modellkennung	BAAI/AREX-2Quelle
Modellklasse	Multimodales Agentenmodell für lang laufende AufgabenQuelle
Parameter	27 MilliardenQuelle
Kontextfenster	262.144 TokenQuelle
Architektur	Dichtes multimodales Modell mit Qwen3.8-kompatibler ArchitekturQuelle
Zugang	Lokale Gewichte mit TransformersQuelle
Lizenz	Apache 2.0Quelle

Messungen ohne passende Vergleichswerte

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

Frontier-CS (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 70.7
Bewertung: 70.7
Messgröße: Frontier-CS reported score
Einheit: Keine Einheit angegeben
Kategorie: source-specific
Richtung: Mehr ist besser
Quellentyp: vendor-reported
Auswertung: Technical report
Status: active
Abrufdatum: 2026-10-04
Methodik: Vom Anbieter veröffentlichter Wert. AREX technical report. Agent loop, tool/skills context, 5-12 hour task budgets; MLE score is mean over three seeds.
Einordnung: Quellenspezifische Beobachtung, keine gemeinsame Vergleichsgruppe. Die Quelle benennt für diesen Zahlenwert keine Einheit oder Skala.

Quelle Technical report

MLE-Lite (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 81.8
Bewertung: 81.8
Messgröße: MLE-Lite reported score
Einheit: Keine Einheit angegeben
Kategorie: source-specific
Richtung: Mehr ist besser
Quellentyp: vendor-reported
Auswertung: Technical report
Status: active
Abrufdatum: 2026-10-04
Methodik: Vom Anbieter veröffentlichter Wert. AREX technical report. Agent loop, tool/skills context, 5-12 hour task budgets; MLE score is mean over three seeds.
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
Bewertung: 84
Messgröße: BrowseComp reported score
Einheit: Keine Einheit angegeben
Kategorie: source-specific
Richtung: Mehr ist besser
Quellentyp: vendor-reported
Auswertung: Technical report
Status: active
Abrufdatum: 2026-10-04
Methodik: Vom Anbieter veröffentlichter Wert. AREX technical report. Agent loop, tool/skills context, 5-12 hour task budgets; MLE score is mean over three seeds.
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
Bewertung: 52.6
Messgröße: HLE text-only reported score
Einheit: Keine Einheit angegeben
Kategorie: source-specific
Richtung: Mehr ist besser
Quellentyp: vendor-reported
Auswertung: Technical report
Status: active
Abrufdatum: 2026-10-04
Methodik: Vom Anbieter veröffentlichter Wert. AREX technical report. Agent loop, tool/skills context, 5-12 hour task budgets; MLE score is mean over three seeds.
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
Bewertung: 92.2
Messgröße: GAIA reported score
Einheit: Keine Einheit angegeben
Kategorie: source-specific
Richtung: Mehr ist besser
Quellentyp: vendor-reported
Auswertung: Technical report
Status: active
Abrufdatum: 2026-10-04
Methodik: Vom Anbieter veröffentlichter Wert. AREX technical report. Agent loop, tool/skills context, 5-12 hour task budgets; MLE score is mean over three seeds.
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
Bewertung: 93.8
Messgröße: DeepSearchQA F1 reported score
Einheit: Keine Einheit angegeben
Kategorie: source-specific
Richtung: Mehr ist besser
Quellentyp: vendor-reported
Auswertung: Technical report
Status: active
Abrufdatum: 2026-10-04
Methodik: Vom Anbieter veröffentlichter Wert. AREX technical report. Agent loop, tool/skills context, 5-12 hour task budgets; MLE score is mean over three seeds.
Einordnung: Quellenspezifische Beobachtung, keine gemeinsame Vergleichsgruppe. Die Quelle benennt für diesen Zahlenwert keine Einheit oder Skala.

Quelle Technical report

Quellen und Datenstand

Alle Angaben verweisen auf die zugrunde liegende Dokumentation oder das jeweilige Leaderboard.

Art	Nachweis und Datenstand
Recherchestand	Recherchestand 4. Oktober 2026. 1 Quellen-URLs geprüft. Das dokumentiert die geprüften Quellen, nicht sämtliche Veröffentlichungen zu diesem Modell.
Weitere Quelle	AREX-2 model card (abgerufen 3. Oktober 2026) · AREX-2 model card · Redaktionelle Beschreibung geprüft am 4. Oktober 2026
Weitere Quelle	Technical report (abgerufen 4. Oktober 2026)