智源 AREX-2：27B 模型 MLE-bench 達 81.8，反超 2.8T 模型
智源 AREX 團隊發布以 Qwen3.8-27B 為基座的開源模型 AREX-2，在 MLE-bench Lite 取得 81.8、Frontier-CS 取得 70.7，超過表中所有對比模型，包括同為 72.7 的 GPT-5.6 Sol 與 Kimi-K3。它用機器學習與演算法程式設計場景的長程反思資料訓練，並把這種能力遷移到深度研究，BrowseComp 達 84.0、HLE 達 52.6，為 40B 以下模型最高。團隊稱這為遞迴自我改進（RSI）提供了可訓練、可驗證的路徑，論文、模型權重與程式碼均已公開。
27B 模型在 MLE-bench Lite 拿到 81.8、反超 2.8T 的 Kimi-K3，且長程反思訓練的跨域遷移在 HLE 等基準同樣生效，為 RSI 給出可驗證路徑，值得關注小模型路線的人看。
原標題：27B小模型反超1.6T巨兽！智源AREX-2长程反思撬动RSI新路径
閱讀原文
| 評分 | 85 / 80（平均 82，門檻 65） |
|---|---|
| 狀態 | 精選 |
相關報導
Qwen3.8 27B 在 DGX Spark 復現文字加法實驗，169 題答對 167
有人在本地 DGX Spark 上覆現了兩年前用 GPT-4o 做過的實驗：讓模型算出大數之和、但把答案寫成英文單詞。他用 Qwen3.8-27B-Q4_K_M.gguf，經 Codex Remote（GPT-6 Astra）執行，關閉推理時每組組合跑 30 次嘗試，開啟推理後每組只跑一次，169 次裡答對 167 次。作者也公開了部分大數計算的推理過程。
GVS5H 讓五個 Qwen3.8-27B 例項協作，LiveCodeBench 達 92.4%
本地部署的開源 Qwen3.8-27B 用上 GVS5H 後，在 LiveCodeBench 最新 100 道 hard 題上的 pass@1 從 66.8% 升到 92.4%。該方法不需要訓練：同一模型開五個例項，通過共享檔案系統裡的計劃、筆記與當前解來拆解問題並協調，在固定後端上最多帶來 25.6 個百分點提升。雲端編排的 Qwen3.8 Flash Next 達到 93.0%，高於 Fable 5 的 90.4%，成本僅為其 9%。收益並不普遍，部分模型持平或變差；
7B 審計模型 AgentForesight 上線，多智慧體任務失敗前預警
羅格斯大學、得州大學奧斯汀分校與普渡大學團隊提出線上審計模型 AgentForesight，用 7B 模型在任務執行中逐步讀取軌跡字首，在關鍵錯誤擴散成失敗前報警。在 AFTraj-2K 測試集上，其關鍵錯誤步驟識別 Exact-F1 達 66.44，比最強通用基線 DeepSeek-V4-Pro 高 19.88 分，成功軌跡誤報率僅 2.37%。
LiquidAI 發布 LFM2.5-24B-A2B：2B 啟用引數的端側 Agent 推理模型
LiquidAI 發布 LFM2.5-24B-A2B：總引數 24B、每 token 僅 2B 啟用的 MoE 推理模型，專為在本機持續執行的私有 Agent 設計。它先輸出思維鏈再作答，能呼叫工具，上下文由上一代 32K 擴到 131K，詞表從 65K 翻倍至 128K。
ROMA 讓機器人主動互動探索物體，7B 模型比肩 GPT-6 Astra
人大高瓴 GeWu-Lab、智源研究院等提出 ROMA 系統，讓多感測器機器人主動與物體互動來補全物理理解，其 ROMA-7B 模型在 ROMA Bench 的 2100 道題上取得 72.9% 成功率，整體與 GPT-6 Astra 持平，並超過 GPT-5.4 與 Gemini 3.5 Flash。該工作同時開源了覆蓋近 2000 個真實物體、視聽觸力四模態同步採集的互動資料集 ROMI-2K，以及包含單鏈、多鏈和意圖驅動三類任務的評測基準。