一句话讲清楚 北京智源提出深度研究智能体 AREX ：内环搜证据、外环按约束核对，把已核实的证据留下、没核实的条件写成下一轮题目，再用模型自学的「进展备忘录」工具撑住长对话； 122B-A10B 的 AREX-Base 在 WideSearch 上拿到 82.0 ，并与更大模型同台可比。

• 论文标题：AREX: Towards a Recursively Self-Improving Agent for Deep Research

• 论文链接：https://arxiv.org/abs/2607.21461

• 项目主页：https://vectorspacelab.github.io/arex-model/

• 在线应用：https://arex-research.com

• 模型合集：https://huggingface.co/collections/BAAI/arex

深度研究常卡在一件事上：正确答要同时满足好几条绑在一起的条件。时间对不对、不同来源能不能互相印证、候选实体是不是唯一解，缺一条都不算过关。许多系统的默认反应是把单条搜索拉得更长：多想几步、多调几次工具、多塞一点上下文。算力花出去了，早期错方向却可能一直跟着走，半对半错的候选也被提前当成终稿。

北京智源 AREX 团队抓住的不对称很具体：一次性凑齐满足全部条件的答案很贵，把候选拆开「条件一项一项核对」通常更省事。核对不只告诉你对错，还会标出哪些说法站得住、哪些还悬着、哪里证据互相打架。 AREX 把核对结果当成「这一轮收工还是接着查」的依据：本轮临时答案变成「部分已核实状态」，已确认的进度留下，剩下的不确定性改写成下一轮更窄的研究题目。

他们把这套推理时的多轮修正叫递归自改进（ Recursively Self-Improving ， RSI ）。权重保持不动，靠外环反复决定：分数够就收稿，不够但还有进展就缩小目标再查，完全走偏就清空重来。模型有两个规格：稠密 4B 的 AREX-Turbo ；以及总参数约 122B 、每次推理大约只激活 10B 的 MoE 结构 AREX-Base （大参数量里只唤醒一部分专家，算力开销更接近中等规模模型）。骨干分别来自 Qwen3.5-4B 与 Qwen3.5-122B-A10B 。

Figure 1 ： AREX 在 BrowseComp 、 GAIA 、 xbench-2510 、 DeepSearchQA 、 WideSearch 、 HLE 上的结果总览。深色条为闭源、浅灰为开源，蓝/青绿分别标出 AREX-Base 与 AREX-Turbo 。

双环：内环做研究，外环决定收不收

如图 2 ， AREX 分两层。给定输入问题，先得到本轮研究目标。内环反复执行搜索、浏览等动作，读回结果，做中间分析；需要时调用 update_context，把对话整理成进展备忘录；认为目标查得差不多了，就调用 finish，交出三样东西：临时答案、支撑证据、对答案靠不靠谱的 0–100 分。

Figure 2 ： AREX 递归自改进框架。下方内环维护研究状态；上方外环根据分数与轨迹评估，选择直接采用、精炼或清空重来。

外环拿着这三样东西做决策。分数高于阈值就直接采用，作为终答。低于阈值则先问：这次搜索里还有没有能用的进展？

举个更具体的形状：问「某篇 2020 年论文的一作，现在在哪所大学任职？」若身份已核实、任职时间还悬着，外环通常不会整段推倒，而是精炼成「查该作者近年官方主页或机构页面上的任职记录」。若前面一直在追错同名作者、证据互相打架，才更像清空重来。

设一个置信度阈值 （可理解成收稿及格线）：分数够就接受；不够但还能从当前轨迹里救出可用进展就精炼；不够且进展不值得留就重启。轮次有上限；若始终达不到阈值，系统返回已完成答案里分数最高的那一个。

核对因此出现在轮次切换处。不确定的条件触发定向补查，该停就停，该改目标就改目标。整段搜索跑完再做一次终检，抓不住「半对半错」这种中间态。

Figure 3 ：正确与错误输出的置信度分布。正确答大多落在 90–100 ；错误答仍有大量低于 60 的质量。后文消融会再看 ACU 如何改变这张分布。

内环怎么一步步收证据

内环每一步会产出中间分析、具体操作（搜索或打开网页等），再由搜索与浏览工具返回观察，拼进本轮轨迹。新证据会改策略：支持性结果把注意力推到剩余条件；矛盾结果会否决当前候选、逼模型换路；来源冲突时优先找更权威、出处更直接或时间更相关的材料。

第一轮目标通常直接由原问题导出；之后各轮，外环可能塞进来更窄的目标，例如「验一条还没站住的条件」「调和互相打架的证据」「检查时间是否仍有效」「候选被否后另找替代」。

内环结束时的结构化输出可以写成：

可以把它看成一张「研究进度条」： 是现阶段最好的答案草稿； 列出说法对应哪些网页或文档； 综合完整度、一致性、出处与时间有效性，供外环决定收工还是继续。完整轨迹里混着废弃方向和原始工具返回；外环评估时只看这份答案级摘要，避免被噪声带偏。

进展备忘录：压历史，不丢「还缺什么」

长程研究里，轨迹会堆满检索结果、中间结论、被否候选、冲突发现和过时计划。整段历史原样留下会干扰后续推理；按固定规则乱砍，又可能丢掉出处、否定证据、未核实条件，而这些恰恰决定下一步该查什么。

常见做法多半把上下文管理当成「别超过长度上限」：按规则丢工具返回，或到固定 token 阈值再摘要。 AREX 提供显式工具 update_context（文中也称自主上下文更新， ACU ），由模型自己决定何时调用，把累积轨迹压成刷新后的研究状态，保留：

已核实发现与来源标识、当前候选、未核实条件、有效性疑虑、被否候选、下一步计划。

冗余观察、被取代的结论、过时计划删掉。调用之后，后续推理条件在「刷新状态   更新之后的新交互」上，而不必每次从完整历史重建进度。触发时机通常是：子问题告一段落、主候选被否、冲突证据刚调和完、研究计划本身改了。同一内环里可以多次调用，也可以一次都不调。

在 BrowseComp （偏深检索、多步改写查询的基准）上的行为统计很能说明它在干什么：约 80.3% 的案例会调用更新；平均激活上下文约 2.57 万 token ，中位数约 2.54 万，远低于配置的 12.8 万上限；几乎触顶才更新的比例只有约 0.01%。它主要是主动整理研究状态，硬上限更像防失控的安全阀。

触发原因里，修订检索策略占 66.9%，否决候选占 13.6%。更新内容方面，未核实条件与下一步计划的保留率分别约 95.5% 与 96.4%，被否候选约 81.5%，已核实发现约 72.1%。模型优先保住的是「还要查什么、下一步怎么走」，同时带着正负证据，避免重蹈旧路。

训练：造能核对的题，再把转折点加重

要让双环跑起来，训练数据得强迫模型做多跳检索、多源整合和中间假设检验。任务合成先抽潜在答案实体，再挂上一组可核对条件（时间关系、数值属性、实体关系、技术属性、证据要求等），再把条件改写成间接表述，避免关键词一搜即中。合格任务要满足：答案不能从问句直接读出、每条条件可被证据核对、条件合起来能唯一锁定答案。之后还会单独再跑完整解题流程，丢掉「浅检索就能过」或「查很久仍过不了」的题。

更强的教师模型在与 AREX 相同的工具环境里跑完整解题轨迹，再做质控：要有实质迭代与状态维护；工具调用有效；终答能从证据重建（说法都能对到出处）；置信度低于阈值的丢掉。留下的轨迹教模型：怎么迭代取证、怎么维护研究状态、怎么在证据上写答案，以及何时继续、何时收束。

训练分两段：先在大量「带工具的多步解题示范」上做多阶段中期训练，再用强化学习微调中间决策。

先练会用工具翻网页，再练长链条推理。两者混着从头训会互相干扰——推理阶段训狠了，浏览与工具习惯会被冲掉——所以后面还有混合巩固：回放浏览长轨迹里的关键转折点，并扩到学术文献检索与知识密集型难题；同时让模型见到「临时答案按条件核对 → 保留已核实证据 → 标出未核实条件 → 写出下一轮目标」这类轮次切换。

长轨迹里九成是换关键词、翻页这类例行操作；真正决定对错的，往往是少数几次转折。论文用规则标注三类关键步（只在终答能核对成功的轨迹上保留）：

全轨迹中期训练之后看逐步损失：普通步平均约 0.232 ；证据发现、路径否决与改向、关键上下文更新分别约 0.277 / 0.298 / 0.300 ，相对高出约 19% / 28% / 29%。模型学「继续搜、换关键词」很快，但在「第一次找到靠谱证据」「承认前面猜错了并改方向」「写进展备忘录」上仍更容易错。于是构造关键步训练集：保留该步完整前文作条件，损失只打在关键步本身，把预算砸在少数决定成败的点上。

Figure 4 ：全轨迹中期训练后的平均逐步损失。三类关键步明显高于普通步，说明额外监督应砸在这些决策点上。

强化学习阶段，轨迹级对错仍是主信号。同一批题目里，好轨迹相对差轨迹得分更高，用来更新策略；奖励按「助手说了几步」做平均，防止模型靠无意义多搜几步刷高分。对成功轨迹里的标注关键步，再加一点有界加分。它不试图给每个中间动作都算清楚功劳，只给一批可识别、且实证重要的研究步骤额外偏好。

主结果：同激活量级里谁更强

六个基准大致对应四类能力： BrowseComp 与 DeepSearchQA 偏深检索（多步改写、证据拼装）； WideSearch 英文子集偏广覆盖综合； GAIA 与 xbench-2510 偏「找信息   规划   工具」的任务完成；带工具的 Humanity's Last Exam （ HLE ）偏专家级推理。推理侧统一接口： search 、 visit 、 update context 、 finish ； HLE 另加 python 。每局最多 300 次内环回合、 5 次外环自改进。

Table 1 ：深检索与智能体推理任务对比。带 * 的 HLE 为全量集报告，其余为纯文本子集。底部紫色行为 AREX 。

看 AREX-Base （约 10B 激活参数）几个醒目数字：

4B 的 AREX-Turbo 在六项里有五项超过 Qwen3.5-35B （例如 BrowseComp 70.7 vs 61.0 ， DeepSearchQA 78.5 vs 68.5 ， WideSearch-en 68.5 vs 57.1 ）。框架在两个量级上都成立，不只是参数堆出来的结果。

边界也要说清楚：相对 MiroThinker-H1 ， AREX-Base 在 DeepSearchQA 与文本 HLE 上更好，但 GAIA （ 85.4 vs 88.5 ）与 BrowseComp （ 82.5 vs 88.2 ）仍有差距；闭源前沿在部分深检索指标上依然更高。论文想证明的是：在相近实际算力档位里能和大模型同台比，并未声称每项基准都夺冠。

消融：双环与训练配方各自贡献多少

先把推理框架拆开。去掉自主上下文更新（ ACU ）时，模型仍有其他工具与相同交互预算，但只能盯着未压缩的完整历史。 BrowseComp 准确率如下：

单轮设定下，仅 ACU 就把准确率从 59.6 提到 71.4 （ 11.8 ）。外环在「无 ACU / 有 ACU 」两种底座上分别再加约 10.2 与 11.1 分。完整系统相对「双无」配置高出 22.9 分。刷新后的研究状态（已核实发现、被否候选、未核实条件、来源标识）比完整交互历史更有用；低分后再开一轮，也比直接交第一次 finish 结果更稳。

正确终答高度集中在 90–100 ：无 ACU 时约 89.3%，有 ACU 时约 95.9%。错误终答里，低于 60 的分别约占 61.0% 与 55.2%。不少失败不必重读整段轨迹，从分数就能先拦下来。有 ACU 时，错误答里高置信区间占比也会升高：分数有用，但不够当终审法官，外环仍要结合这次搜索里还有没有能用的进展，来决定精炼还是清空重来。

训练配方在 BrowseComp 上的替换实验：

掉得最狠的是关键转折点：随机回放主要打到本来就低损失的例行步，准确率落到 74.1 。渐进训练改成混合训练掉到 77.5 ；标准组相对优化替掉步骤加权强化学习则到 79.4 。三块拼在一起才到 82.5 。

能带走什么

若你也在做深检索、研报核对或合规核查，最值得对照的是三件事：低分不硬交卷；未核实条件改写成下一题；用进展备忘录代替堆全文历史。这比单纯把单条搜索轨迹拉长更省事，因为它逼着系统每轮交「已证实清单   待查清单   置信分」。

代价同样明确：它依赖可核对条件与工具环境；外环轮次与内环步数有硬预算；错误答上高置信区间在开 ACU 后还会升高，所以「能不能救出进展」的判断不能外包给一个标量分数。 4B Turbo 能在多项上压过更大的基线，说明这套控制结构本身有独立贡献；要不要上 122B-A10B ，更多取决于你的任务对广覆盖综合（ WideSearch 一类）有多敏感