AREX-2: BAAI открыла веса 27B-модели для итеративных агентных задач

Что действительно доступно

У ревизии ef7f467437d65ffe5012dd25173a33c3f8dcaaeb есть все 11 Safetensors-шардов, индекс с распределением тензоров, конфигурация, процессор и токенизатор. Список шардов в индексе совпадает с полным деревом репозитория. В конфигурации указаны архитектура qwen3_5, тип bfloat16 и предел контекста 262144 токена; это параметры конфигурации, а не обещание, что такая длина проверена на любом локальном устройстве. s1 s3

Карточка и отдельный файл LICENSE для этого чекпойнта указывают Apache License 2.0; базовая модель Qwen3.8-27B также размечена Apache 2.0. Это открытые веса с указанными лицензионными условиями, но не доказательство, что опубликован весь тренировочный конвейер. Код агентного окружения нельзя считать приложенным: на момент проверки связанный GitHub-репозиторий содержал README и LICENSE, но не исполняемую реализацию цикла. При распространении производных пакетов нужно соблюдать уведомления и лицензии зависимостей. s1 s4 s5

Кому это полезно локально

Модель имеет смысл исследовать для циклов «предложить решение → получить проверяемую оценку или лог → исправить решение»: алгоритмические задачи, машинное обучение и анализ с инструментами. Карточка предлагает локальную загрузку через современный transformers, AutoProcessor и AutoModelForMultimodalLM с torch.bfloat16. Для реального агента потребуется отдельно организовать безопасный вызов инструментов, журналирование результатов и границы времени/числа итераций. Однократная генерация по примеру карточки сама по себе не воспроизводит агентный бенчмарк. Мы не запускали веса и не подтверждаем совместимость с Ollama, llama.cpp или vLLM; готового GGUF в закреплённом репозитории нет. s1 s3 s5

Авторы заявляют 70,7 на Frontier-CS Agent Track (188 заданий) и 81,8 на MLE-Lite Any Medal (среднее по трём seed). Для BrowseComp карточка приводит 84,0, для HLE — 52,6 на текстовом подмножестве: их нельзя смешивать с оценками других моделей на полном HLE. Все числа — авторские результаты по их протоколам, не независимая проверка Modelium и не показатель скорости на вашем компьютере. s1

Выбор: если нужен локальный эксперимент с моделью, обученной улучшать решения по обратной связи, изучайте закреплённый чекпойнт и собирайте собственный тестовый контур. Если нужен готовый настольный агент без настройки Transformers и инструментов, этот выпуск пока не даёт подтверждённого пути «скачал и запустил». Размер весов и длина контекста не следует превращать в минимальные требования к RAM/VRAM без измерений на выбранном runtime. s1 s3