AREX-2: Advancing Self-Improving Agents through Long-Horizon Reflective Tasks
Aggiunta all'archivio di AIChronos il (numero del 1 ottobre 2026 ricostruito)· fonte del · Hongjin Qian, Chaofan Li, Kun Luo, Wenqing Wei, Jianlyu Chen, Shuqi Lu (Beijing Academy of Artificial Intelligence)
Il documento presenta AREX-2, un agente basato su Qwen3.8-27B progettato per migliorare le capacità di auto-miglioramento dei LLM attraverso l'iterazione continua durante il test time. Questo approccio si fonda su due pilastri: la riflessione (reflection) che genera soluzioni superiori a quelle attuali e l'esecuzione a lungo termine (long-horizon execution) che mantiene efficace l'iterazione per molti round. Gli autori ipotizzano che queste capacità siano agnostiche al dominio, quindi vengono addestrati utilizzando traiettorie di miglioramento sintetizzate da compiti di machine learning e programmazione algoritmica dove il feedback è verificabile.
- AREX-2 dimostra risultati forti su benchmark come MLE-bench Lite (81.8), Frontier-CS (70.7) e GAIA (92.2).
- L'agente mostra capacità di trasferimento efficaci verso la ricerca profonda, ottenendo 84.0 su BrowseComp.
- Le prestazioni migliorano costantemente all'aumentare del budget allocato ai round di iterazione.
- Il metodo utilizza dati sintetizzati da domini con feedback verificabile per apprendere riflessioni e esecuzione a lungo termine.
Perché conta. Per gli sviluppatori che lavorano su agenti AI locali, questo paper offre una via concreta per implementare sistemi capaci di auto-correggersi iterativamente senza bisogno di supervisione umana continua in ogni passo.
Vai alla fonte originale ↗ arXiv ↗
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.