智源AREX自主研究智能體：從「盲目搜索」到「驗證驅動」

新智元報道

當大模型逐漸掌握對話、推理、編程和工具調用之后，自主研究被視為人工智能領域的「The Next Big Thing」。

自主研究意義在于，AI的發展將不再受制于人類知識邊界，形成一種面向智能生產的全新Scaling Law——「投入多少能源，就將轉化多少智力」。自主研究正是衡量智能體自主研究能力重要維度之一。

普通問答只需要定位一個事實，而自主研究面對的是一組相互關聯、彼此制約的條件。智能體不僅要從龐大的信息空間中定位候選答案，還需整合分散甚至沖突的證據，并確認最終答案滿足全部關鍵約束——只要有一項未驗證，答案即為無效解。自主研究的核心難題并不是「搜索得還不夠久或者證據難找」，而是：

智能體能不能知道當前答案到底已經成立了什么、還缺什么，以及下一步最應該研究什么，是如何讓智能體在復雜約束中持續接近正確答案。

智源研究院發布的AREX正是圍繞這一核心問題提出的。它抓住了自主研究中的關鍵突破口——「發現—驗證不對稱性」：完整答案往往難以一次性生成，但一旦形成候選解，便可以通過針對關鍵約束的逐項驗證，快速定位不足并指導后續探索。

驗證的意義并非僅僅判斷答案是否正確，更重要的是幫助智能體理解「已經知道什么、還缺少什么，以及下一步應該研究什么」，從而讓每一輪研究都更加精準、更具方向性。

這一思想的前瞻性在Jeff Dean近日創立的Discovery Loop公司得到印證：未來的人工智能不僅需要更強的推理能力，更需要通過持續的實驗、反饋和修正形成自主發現能力。

AREX對「求解—驗證」雙循環的探索，體現了智源研究團隊在自主研究方向上的前瞻性，也反映出通過閉環迭代推動智能持續進化，正在成為人工智能發展的重要趨勢。

項目主頁：

https://vectorspacelab.github.io/arex-model/

模型權重：

https://huggingface.co/collections/BAAI/arex

體驗鏈接：

https://arex-research.com

AREX旨在訓練能長期運行、

自我驗證、持續修正的研究型智能體

AREX的目標，不是讓模型在單輪回答中寫出一個「看起來更完整」的答案，而是訓練一種能長期運行、持續驗證、遞歸修正的自主研究智能體——不是一次性給出答案，而是在「研究→驗證→再研究」的循環中不斷接近完整解，讓模型真正具備持續改進當前解的能力。

面對復雜任務，智能體可以先給出一個階段性答案；隨后，它會逐項檢查約束是否滿足，保留已經驗證的證據，定位尚未解決的主張，再發起更有針對性的后續研究。當新的證據到來后，智能體會再次更新答案、重新驗證，并判斷是繼續深入，還是結束研究并輸出最終結論。

這一過程可以遞歸執行多輪：研究→暫定答案→逐項驗證→定位缺口→定向研究→更新答案。這里的「自我改進」，并不是指模型在執行任務時在線更新參數，而是指智能體對自身研究狀態和當前答案進行持續修正。

它不再只是一個「搜索后回答」的工具，而更像一個會反復檢查研究進度、修正研究路徑、沉淀有效證據的研究助手。AREX通過雙循環框架打通「找到答案」與「改進答案」的閉環AREX的整體方法，可以概括為一套雙循環遞歸求解框架。內層循環負責「研究」，外層循環負責「改進」。

二者協同，讓智能體不只是向前搜索，而是在每一輪中繼承已有進展、修正錯誤方向，并不斷接近更可靠的答案。

內層循環Research Loop：內層循環負責完成一輪相對完整的研究。在這一階段，智能體會圍繞當前研究問題搜索信息、調用工具、收集證據、比較候選，并構造一個暫定答案。它的目標不是一次性得到終局解，而是形成一個結構完整、證據可追蹤、后續可以被審計的當前解。

如果這是第一輪研究，智能體面對的是用戶提出的原始問題。如果已經經過外層驗證，那么它面對的就是一個被重新定義過、更聚焦的新問題。例如：補齊某項缺失證據，消解兩個來源之間的矛盾，或者替換一個無法滿足全部條件的候選答案。這意味著，每一輪研究都不是簡單重復，而是在更清晰的問題上繼續推進。

外層循環Self-Improvement Loop：外層循環負責判斷當前答案究竟走到了哪一步。AREX會依據任務中的各項約束，對暫定答案進行逐項審計，并形成約束級別的置信判斷：哪些條件已經獲得充分支持，哪些仍然不確定，哪些關鍵主張缺少證據，哪些結論需要重新研究。

如果所有必要條件都得到足夠支持，智能體就結束研究并輸出答案。如果仍有條件沒有解決，驗證結果就會被轉化為下一輪內層循環的研究目標。因此，外層循環不是簡單地說「答案還不夠好，再試一次」，而是明確告訴內層循環：已經解決了什么，接下來只需要解決什么。這讓每一輪遞歸都能繼承已有成果，而不是從頭開始。

機制分析：

長程研究狀態維護帶來的性能提升

AREX的推理機制包含兩個循環：內層研究循環負責搜索、訪問網頁、驗證證據、更新上下文并生成暫定答案；外層自我改進循環根據答案、證據和置信度，決定接受、繼續細化或重新開始。

其中，自主上下文更新（ACU）是關鍵。它不是普通摘要，而是面向下一步行動的研究狀態：保留已驗證發現、已排除候選、未解決約束和下一步計劃。BrowseComp上的分析顯示，AREX通常會主動更新上下文，而不是等到128K上下文窗口被塞滿后才被動壓縮。

受控實驗顯示，AREX完整系統在BrowseComp上達到82.5，比關閉ACU和外層循環的版本高出22.9個百分點。訓練消融也表明，漸進式多輪能力訓練、關鍵步驟聚焦監督和步驟感知強化學習分別貢獻于工具交互、關鍵決策和長程策略優化。

訓練消融進一步說明，AREX的提升來自多個環節共同作用。漸進式多輪能力訓練先建立穩定的工具交互能力，關鍵步驟聚焦監督把訓練信號集中到證據發現、路徑否定與重定向、關鍵上下文更新等轉折點，步驟感知強化學習則繼續優化長程決策策略。

這也解釋了AREX的核心思想：長程研究中真正難的不是例行搜索和訪問網頁，而是在關鍵時刻做對決定，什么時候相信一個證據，什么時候放棄一個候選，什么時候重整上下文并改變搜索方向，這些才是決定研究成敗的步驟。

AREX讓自主研究智能體

在長程任務中持續自我進化

長程研究不「失憶」：將「歷史包袱」轉化為「進度路標」。長程研究中的核心挑戰，并不只是信息檢索是否充分，更在于模型能否在持續延展的研究過程中穩定記住當前進展。隨著交互軌跡不斷變長，歷史記錄中會同時包含已驗證的證據、被推翻的假設、中途放棄的計劃以及大量重復信息。全盤保留這些內容容易讓模型迷失方向，而簡單截斷又可能丟掉關鍵線索。

AREX的做法，是讓模型在研究過程中主動調用上下文更新工具，將不斷增長的交互歷史整理成一個可以繼續推進的研究狀態。這種更新并不是普通摘要，而是一份「研究進度表」，幫助模型明確：當前研究到哪了？什么已經成立？什么已經被排除？接下來最該查什么？通過這種方式，模型能夠持續繼承有效信息、壓縮冗余內容，并在當前階段形成更穩健的最優解。

構造可驗證的訓練數據：從確定答案出發，生成可驗證的研究軌跡。自我改進不是靠延長搜索軌跡就能堆砌出來的。AREX需要的是那種能真正教會模型如何發現線索、交叉驗證、推翻錯誤候選、調整方向并繼續前進的數據。

為此，AREX設計了一套可驗證的自主研究任務生成方法：先從一個確定的實體答案出發，圍繞它構造一組必須被真實證據支撐的約束條件，然后再把這些約束改寫為無法通過關鍵詞直接命中的開放式問題。這樣生成的任務，迫使模型必須真正去搜索、比對和驗證，而不是在文本表述里「找答案」。

隨后，強教師模型在同樣工具環境中完整執行這些任務，留下全過程的研究軌跡。但凡出現直接猜答案、忽略觀察、證據不足或結論與證據矛盾等情況，整條軌跡都會被剔除。最終保留下來的，是從不確定候選逐步走向可驗證答案的研究軌跡。

分階段訓練與關鍵步驟強化：使模型掌握自我改進的連貫策略。在獲得高質量訓練數據之后，訓練順序同樣關鍵。AREX沒有將所有軌跡簡單混合訓練，而是采取了分階段策略。模型首先學習多輪工具調用和證據獲取的基本能力，再逐步進階到長鏈推理、候選比較和困難問題求解。同時，AREX還會鞏固論文研究、高難知識推理等專項能力，避免不同任務之間的能力相互干擾。

AREX也不會把長軌跡中的每一步都同等對待。真正決定研究是否能夠取得突破的，往往是少數關鍵轉折點，例如找到關鍵證據、否定錯誤候選、切換搜索方向，以及更新研究狀態。這些關鍵步驟會在訓練中被重點關注，并在強化學習階段繼續優化模型的研究策略。

因此，AREX的自我改進能力并不是「多搜幾輪」自然涌現的結果，而是由可驗證任務設計、高質量軌跡篩選、分階段訓練和關鍵步驟強化共同塑造出來的。它的目標是讓智能體更接近真正的研究者：能夠判斷何時堅持當前方向，何時及時掉頭，何時停下來確認答案。

實驗評估：

AREX以10B激活參數達到自主研究前沿水平

為了驗證AREX是否具備真實自主研究能力，智源研究院在六個基準上進行了評測，包括：BrowseComp、DeepSearchQA、WideSearch-en、GAIA、xbench-2510 和HLE with tools。它們分別覆蓋信息深度、信息廣度、深度與廣度結合，以及端到端 Agent能力。

信息深度：在多跳信息中持續挖掘

BrowseComp和xbench-2510的任務設計頗為苛刻：問題往往嵌入了多個相互約束的條件，正確答案隱藏在分散的網頁與間接證據之中，模型需要沿著線索逐級深入挖掘。AREX-Base在BrowseComp上達到82.5，接近GPT-5.4、Kimi-K2.6、DeepSeek-V4-Pro和Claude Opus-4.6，同時超過GLM-5與Qwen3.5-397B。

在xbench-2510 上，它接近MiroThinker-H1，并優于Qwen3.5-397B與DeepSeek-V4-Flash。結果表明，AREX能力提升并非來自更多輪次的搜索堆砌，而是源于更穩定的研究狀態維護——模型能夠保留已驗證信息、排除錯誤候選，并持續圍繞尚未解決的約束推進。

信息廣度：在大規模信息空間中全面覆蓋

WideSearch-en考察的是另一項能力：在大規模搜索空間中盡可能完整地找到目標條目，并完成去重、核驗與匯總。AREX-Base在該基準上取得了82.0 Item-F1，為論文對比范圍內的最高結果，超越了Kimi-K2.6、DeepSeek-V4-Pro、GPT-5.4等模型。結果表明，AREX不只擅長「挖深一個答案」，也能管理大范圍搜索任務，在長程檢索中持續維護已覆蓋范圍和剩余空白。

深度與廣度的結合：可遷移的研究方法論

DeepSearchQA同時要求多步檢索、證據推理與答案完整性，是深度與廣度的綜合測試。AREX-Base在這里取得了89.9 F1，超過GPT-5.4與DeepSeek-V4-Pro和Qwen3.5-397B，并接近Claude Opus-4.6、Kimi-K2.6和Gemini-3.1-Pro。這說明AREX學到的不是某個特定領域的搜索技巧，而是一套可遷移的研究方法論：檢索、比較、驗證、修正、聚合。

端到端能力：從搜索到完整研究流程

GAIA和HLE with tools進一步要求模型將搜索與規劃、推理、工具調用結合起來。AREX-Base在三項測試上分別取得85.4、71.0和52.4。在GAIA上，它超過Kimi-K2.6、Gemini-3.1-Pro和Qwen3.5-397B；在HLE文本子集測評下，它超過GLM-5、DeepSeek-V4-Pro、Qwen3.5-397B和MiroThinker-H1。這說明AREX的能力可以從搜索任務遷移到完整智能體工作流：模型不僅能找到信息，還能規劃行動、調用工具、驗證中間結論，并組織最終答案。

總體性能對比：開源前沿、閉源旗艦與同量級模型

與開源前沿模型相比，AREX-Base在雙方均報告的BrowseComp、GAIA、WideSearch-en和HLE文本子集上全部領先。與DeepSeek-V4-Pro相比，AREX-Base在DeepSearchQA、WideSearch-en和HLE文本子集上更高。

與Kimi-K2.6相比，AREX-Base在GAIA和WideSearch-en上領先，在BrowseComp上接近，但在xbench-2510和DeepSearchQA上仍有差距。測評結果顯示AREX不是「所有單項都領先」，而是以10B激活參數，在深搜、廣搜、端到端智能體和工具推理之間取得了均衡的綜合競爭力。

與閉源旗艦模型相比，面對GPT-5.4、Claude Opus-4.6和Gemini-3.1-Pro等閉源旗艦，AREX-Base同樣進入多個高難度基準的競爭區間。它在BrowseComp上與GPT-5.4幾乎持平，在DeepSearchQA上超過GPT-5.4，在WideSearch-en上超過GPT-5.4、Claude Opus-4.6和Gemini-3.1-Pro。這表明AREX已經能夠在關鍵自主研究任務上與閉源旗艦模型正面競爭，尤其在大范圍信息覆蓋任務中優勢更明顯。

與同量級基礎模型與智能體模型相比，AREX-Base的總參數量為122B，每次推理僅激活10B參數。相比同總參數量的Qwen3.5-122B，AREX-Base在雙方均報告的指標上全部提升；相比更大規模的Qwen3.5-397B，AREX-Base在六項完整可比基準上全部領先。與專門面向搜索和研究任務訓練的智能體模型相比，AREX也體現出較高的參數效率。

AREX-Turbo只有4B參數，但在多項指標上超過Qwen3.5-35B、Quest-35B和Tongyi-DeepResearch-30B；AREX-Base則在DeepSearchQA和HLE文本子集上超過MiroThinker-H1，并在xbench-2510上與其接近。這說明自主研究能力并不只來自擴大參數規模，也來自對長程研究過程的專門訓練。

AREX研究平臺：

將自主研究能力封裝為日常研究工具

AREX LLMs解決的是智能體如何開展長期、可靠的自主研究，而AREX Research Platform在此基礎上，將這一能力封裝為面向科研與產業用戶的日常研究工具。

學術與產業界每天都會產生大量新增信息——論文、技術報告、會議talk、開源發布與行業分析。而當前的信息分發機制多以發布時間或熱度作為排序維度，而非依據用戶的具體研究關注點進行組織。高價值信息被碎片化地呈現，使用者往往需要在多個來源之間自行拼接背景，信息獲取成本高、效率低。

AREX平臺以模型驅動的內容獲取與研究智能體為核心，針對三類不同的信息形態提供獨立入口：資訊持續追蹤指定領域內的每日動態，論文篩選高關注度的研究工作并支持深度理解，播客從長時段訪談中提取關鍵觀點與行業趨勢。三者均由AREX智能體驅動，既支持廣域瀏覽，也支持針對細分方向的定制化配置。

AREX首頁（最終效果以上線版本為準）

定制化資訊服務：在信息組織方式上，AREX平臺支持用戶指定關注方向（如Coding Agent、芯片行業進展等），并據此生成持續運行的專屬資訊智能體，按設定頻率完成檢索、篩選與匯總。

與傳統「源訂閱」相比，這一機制以「用戶關注點」作為過濾維度，使信息流由「按熱度排序」轉向「按相關性組織」，從而降低無關信息干擾，提升信息獲取的針對性。

AREX資訊定制

自由的可擴展性：此外，AREX平臺在信息發現與自主研究之間提供直接銜接。每條資訊、論文或播客旁均提供自主研究入口，可一鍵調用AREX智能體。

智能體已感知當前閱讀內容與上下文，無需重復交代背景，即可針對具體問題（例如「該方向是否有后續討論」、「所選benchmark是否權威」、「相關觀點在其他訪談中是否出現過」）啟動檢索、對比、分析與綜合，輸出完整的知識脈絡。

聊一聊

平臺承擔內容發現，智能體承擔理解與分析，二者在統一上下文下銜接。這一設計是AREX區別于單純資訊工具的核心所在。

當前版本的AREX Research Platform覆蓋科研工作流中的「信息獲取」與「認知構建」兩個階段，即幫助用戶發現相關信息并理解其研究背景。智源研究院后續將能力延伸至研究執行階段，由提供參考信息進一步發展為支持方案產出。

重點方向是端到端自主科研，包含以下三個環節：方案設計——智能體在理解問題與現有方法后，自主提出創新方案、實驗設計、對比策略；工程實現——智能體直接生成可運行的代碼框架、訓練配置、評估腳本，并接入計算資源執行；性能調優——智能體分析實驗結果，識別瓶頸，自動迭代超參、調整結構，持續優化迭代。

最終實現：用戶定義研究問題，由AREX自主完成探索、實驗與優化，并交付可驗證的研究結果。

AREX當前已開放BETA版測試，歡迎大家體驗并反饋：arex-research.com

編輯：桃子