AREX Feed Article
智源开源AREX研究智能体，10B激活参数在WideSearch上压过GPT-5.4和Claude Opus-4.6
智源研究院（BAAI）发布了 AREX，一套递归自改进的自主研究智能体。
AREX-Base 总参数量 122B，每次推理仅激活 10B 参数。它在六个自主研究基准上进入与 GPT-5.4、Claude Opus-4.6、Gemini-3.1-Pro 正面对抗的区间。WideSearch-en 取得 82.0 Item-F1，为论文对比范围内的最高分，超过全部闭源旗舰模型。
模型权重以 Apache 2.0 协议开源至 HuggingFace（），同时上线的 将自主研究能力封装为日常研究工具。
Jeff Dean前脚入场，智源后脚交出开源答卷
Jeff Dean 近日创立 Discovery Loop 公司，据，其押注的方向与 AREX 高度重合：未来 AI 需要的不仅是更强的推理，更是通过持续实验、反馈和修正形成的自主发现能力。智源已经把这一思路跑通了，并且开了源。
7月23日，AREX 论文以 arXiv:2607.21461 上线，当天登上 HuggingFace 。
Brain Cramps 连续三天将 AREX 列入当日"将塑造 AI 领域的七件事"，并在中写道："BAAI drops open-weight 4B and 122B MoE models that recursively audit and refine their own research answers."
中国 AI 产业媒体 智东西 在 X 平台同步报道，称 AREX "uses inner research and outer self-improvement loops to verify claims, preserve evidence, and drive targeted follow-up research."
社区反应相对冷静，这与 AREX 的传播节奏有关：论文和模型在7月底静默上线，直到8月10日新智元发布深度解读，完整的技术架构和 benchmark 数据才被系统性地推到中文读者面前。
当前，，对于一个刚完成首发传播的模型家族来说，还处在早期阶段。
自主研究的瓶颈不是「搜得还不够久」
过去两年的 deep research 产品，从 Perplexity 的深度搜索到 OpenAI 的 Deep Research，核心逻辑都是延长单次搜索轨迹：多搜几轮、多读几页、多调用几次工具。这种做法在简单问答上有效，但面对多约束问题时会撞墙：智能体搜了十轮，可能第八轮就已经跑偏，后面全在做无用功。
AREX 的起点是一个关键判断：发现一个同时满足所有约束的答案，代价极高；而验证一个候选答案是否满足每一项约束，可以逐条拆解。这个"发现—验证不对称性"不是 BAAI 发明的，但 BAAI 是第一个把它做成完整训练框架并开源出来的团队。
更早的信号出现在今年6月。显示，在2026北京智源大会上，AREX 作为四款智能体之一首次亮相，定位是"面向科学发现的自主研究智能体"，覆盖信息调研、方案设计、实验探究、报告撰写。一个多月后，它从概念走到了 benchmark 数据和可下载的模型权重。
训练数据也体现出这一思路的彻底性。智源团队设计了一套可验证任务生成方法：先确定一个实体答案，围绕它构造一组必须由真实证据支撑的约束条件，再把这些约束改写为无法通过关键词直接命中答案的开放式问题。强教师模型在工具环境中完整执行任务，全程轨迹中但凡出现猜测答案、忽略观察、证据矛盾，直接剔除。保留下来的轨迹，是从不确定候选逐步逼近可验证答案的完整过程。
每轮研究结束后先给自己打分，再决定下一步查什么
AREX 的核心架构是一套双循环递归框架。内层循环（Research Loop）负责搜索、浏览、整合证据、构造暂定答案并输出置信度评分。外层循环（Self-Improvement Loop）对暂定答案逐约束审计：哪些条件已被证据充分支持，哪些仍然悬空，哪些关键主张缺少来源。高置信度答案直接通过；可修复轨迹围绕未解决约束重新定向研究；无信息量的轨迹则从原问题重启。
自主上下文更新（Autonomous Context Update，ACU）是双循环能跑通的关键机制。长程研究中，交互历史会同时堆积已验证证据、被推翻假设、中途放弃的路线和大量重复信息。全量保留会让模型迷失，简单截断会丢掉关键线索。ACU 由 AREX 自身调用，不是外部模型的通用摘要，而是一份面向下一步行动的研究状态：保留已验证发现及其来源、记录已被排除的候选、标出尚未解决的约束、明确下一轮研究计划。受控实验显示，关闭 ACU 和外层循环后，AREX 在 BrowseComp 上的得分从 82.5 跌至 59.6，差了 22.9 个百分点。
训练策略也围绕"关键时刻"设计。渐进式多轮能力训练先建立稳定工具交互，关键步骤聚焦监督把训练信号集中到证据发现、路径否定与重定向、上下文更新等转折点，步骤感知强化学习继续优化长程决策。长程研究中真正难的从来不是例行搜索，而是在关键时刻做对决定。什么时候信任一条证据，什么时候放弃一个候选，什么时候改变搜索方向。
10B参数在WideSearch上拿第一，规模不是唯一答案
AREX-Base 基于 Qwen3.5-122B-A10B 的 MoE 架构，总参数 122B、每次推理激活 10B。AREX-Turbo 是 4B 稠密模型，基于 Qwen3.5-4B。两个模型均支持 256K 上下文。
基准测试覆盖了六个维度，数据来自 ：
信息深度：BrowseComp 要求模型在多跳约束中沿线索逐级挖掘。AREX-Base 取得 82.5，仅以 0.2 分之差落后 GPT-5.4（82.7），与 Claude Opus-4.6（83.7）几乎持平，超过 GLM-5（75.9）和 Qwen3.5-397B（78.6）。xbench-2510 上得分 71.0，优于 DeepSeek-V4-Flash（69.0）和 Qwen3.5-397B（61.0），接近 MiroThinker-H1（72.0）。
信息广度：WideSearch-en 考察大规模搜索空间中的完整覆盖、去重和汇总能力。AREX-Base 取得 82.0 Item-F1，压过 GPT-5.4（77.5）、Claude Opus-4.6（77.5）、Gemini-3.1-Pro（66.4）和 DeepSeek-V4-Pro（78.0），是论文对比范围内的最高分。
深度与广度结合：DeepSearchQA 同时要求多步检索、证据推理和答案完整性。AREX-Base 得分 89.9 F1，超过 GPT-5.4（88.5）、DeepSeek-V4-Pro（88.7）、Qwen3.5-397B（82.1），接近 Kimi-K2.6（92.5）和 Claude Opus-4.6（91.3）。
端到端智能体：GAIA 得分 85.4，超过 Kimi-K2.6（80.6）和 Gemini-3.1-Pro（80.6）；HLE with tools 文本子集得分 52.4，超过 GLM-5（50.4）、DeepSeek-V4-Pro（48.2）和 Qwen3.5-397B（48.3）。
参数效率是另一组关键数据。AREX-Base 的总参数量（122B）只有 Qwen3.5-397B 的三分之一不到，但在六个可比基准上全部领先。AREX-Turbo 仅 4B 参数，在多项指标上超过了 Qwen3.5-35B（35B）、Quest-35B（35B）和 Tongyi-DeepResearch-30B（30B）。自主研究能力并非仅靠堆参数就能获得：对长程研究过程的专门训练，效果不亚于数倍的参数规模。
从模型到工具：AREX Research Platform 把自主研究装进了日常界面
智源没有止步于开源模型。同时推出的 以三个独立入口覆盖科研工作流中的"信息获取"与"认知构建"：资讯持续追踪指定领域每日动态，论文筛选高关注度研究并支持深度理解，播客从长时段访谈中提取关键观点。
与传统 RSS 或源订阅不同，AREX 平台以"用户关注点"为过滤维度。用户指定方向（如 Coding Agent、芯片行业进展），平台生成持续运行的专属资讯智能体，按设定频率完成检索、筛选与汇总。每条资讯、论文或播客旁均提供自主研究入口，一键调用 AREX 智能体，智能体已感知当前上下文，无需重复交代背景，即可启动检索、对比、分析与综合。
智源在论文和报道中均提到了后续路线：将能力从"信息获取"延伸至"研究执行"。具体包括方案设计（智能体在理解问题与现有方法后自主提出创新方案与实验设计）、工程实现（生成可运行代码框架、训练配置与评估脚本并接入计算资源）、性能调优（分析实验结果、识别瓶颈、自动迭代）。
最终目标是：用户定义研究问题，AREX 自主完成探索、实验与优化，交付可验证的研究结果。当前平台处于 BETA 测试阶段。
AREX 做对的不是「多搜几轮」，是把验证做成了研究的方向盘
AREX 最值得关注的地方不是某项 benchmark 超过了谁。是用 10B 激活参数证明了：自主研究能力的关键瓶颈不在参数规模，也不在搜索轮次，而在智能体是否知道自己已经解决了什么、还缺什么、下一步该查什么。
把验证从"打分工具"变成"研究方向"，在双循环框架、自主上下文更新和分阶段训练的共同作用下落地。这是智源团队在这项工作中提供的可复现方案。模型权重、论文和产品都已经公开。接下来要看的是，社区能在这个框架上走多远。