我们提出了 AREX-2，旨在提升大语言模型（LLM）代理的自我改进能力，即在测试阶段能够迭代优化解答。该能力依赖两项互补技术：反思（生成优于当前解的方案）和长时程执行（保证多轮迭代仍保持有效）。我们假设这两项技术与具体领域无关，因而可以在易于监督的场景中学习。为此，我们从机器学习和算法编程任务中合成了长时程改进轨迹，这些任务提供可验证的反馈并奖励持续迭代。基于这些数据，使用 Qwen3.8-27B 构建的代理在 MLE‑bench Lite 上取得 81.8 分、Frontier‑CS 上 70.7 分，并在更具挑战性的研究任务中实现了 BrowseComp 84.0、HLE 52.6、GAIA 92.2、DeepSearchQA 93.8 的成绩，且随着迭代轮数的增加仍能继续提升。这表明长时程反思数据是实现自我改进代理的有效路径。
点评