BAAI تطلق AREX-2، نموذجا مفتوحا لوكلاء يطوّرون حلولهم ذاتيا في المهام الطويلة
أطلقت أكاديمية بكين للذكاء الاصطناعي BAAI نموذج الوكيل AREX-2 الذي يقترح حلا ويقيسه ثم يعدّله بناء على النتيجة. والنموذج ذو 27 مليار معامل مرخص بـ Apache 2.0 ومصمم لتشغيل وكلاء البحث والبرمجة على خوادمك الخاصة.
أطلقت أكاديمية بكين للذكاء الاصطناعي (BAAI) في 29 سبتمبر 2026 نموذج AREX-2 على Hugging Face. وصُمم هذا النموذج ذو 27 مليار معامل ليكون وكيلا يحسّن الحل على مدى عدة جولات في المهام الطويلة: فهو يقترح حلا، ويقيس النتيجة، ويقرأ الدرجات والسجلات والأخطاء والأزمنة ليقرر ما يجب تغييره، ثم يعدّل الحل. ويُقدَّم نموذجا يمكنك تشغيله على خوادمك الخاصة.
نموذج وكيل يطوّر نفسه
وبحسب صفحة النموذج، دُرّب AREX-2 على مهام هندسة تعلم الآلة والبرمجة الخوارزمية التي يمكن التحقق من نتائجها، إلى جانب بيانات البحث المعمق السابقة لـ AREX. وتقول BAAI إن سلوك التحسين الذاتي المكتسب من هذه المهام ينتقل إلى أعمال البحث المعمق من دون إضافة أمثلة بحث جديدة. ودُرّب النموذج على مواصلة تحسين الحل بفاعلية كلما زاد عدد الجولات. وترد تفاصيل الطريقة في ورقة BAAI على arXiv، أما سكربتات التقييم ففي مستودع GitHub.
المواصفات التقنية
بُني AREX-2 على نموذج Qwen3.8-27B من Alibaba، وهو نموذج كثيف (dense) تعمل جميع معاملاته في كل خطوة. ويعتمد بنية متعددة الوسائط، فيستقبل الصور إلى جانب النص. وتتسع نافذة السياق لـ 262,144 رمزا (token). والترخيص Apache 2.0 ويُسمح بالاستخدام التجاري، مع طلب BAAI الالتزام أيضا بشروط نموذج Qwen الأساسي.
يشغل النموذج بالدقة الكاملة (BF16) نحو 55 GB. وتقدم البطاقة شيفرة مثال لمكتبة transformers من Hugging Face. وبما أن النموذج يستخدم بنية Qwen3.8، يُتوقع أن يعمل على أدوات التشغيل التي تدعمها مثل vLLM، وإن كانت البطاقة لا تتضمن تعليمات منفصلة لذلك. ولم تنشر BAAI نسخة مضغوطة (quantized)، ويُتوقع أن يتسع النموذج لبطاقة رسومية واحدة بذاكرة 24 GB عند توفر نسخة بدقة 4 بت.
وفي الجداول التي نشرتها BAAI، يبرز AREX-2 بين النماذج التي تقل عن 40 مليار معامل في اختبارات البحث المعمق مثل BrowseComp وHLE وDeepSearchQA، بينما يتأخر في GAIA عن بعض النماذج المماثلة في الحجم. وفي اختبارات البرمجة وتعلم الآلة (Frontier-CS وMLE-Lite) يظهر متقدما على نماذج مفتوحة أكبر منه بكثير في الجدول، ويتجاوز في MLE-Lite النماذج المغلقة المدرجة أيضا، بينما يتأخر في Frontier-CS عن GPT-5.6 Sol وClaude Opus 4.8. وهو خيار بحجم يكفيه خادم قوي واحد للشركات التي تريد تشغيل وكلاء البحث والبرمجة على خوادمها من دون إرسال بياناتها إلى الخارج.
وقد تحققت جميع النتائج وفق الأساليب الواردة في ورقة BAAI نفسها، وفي اختبارات البحث المعمق يتولى نموذج تحكيم خارجي تقييم الإجابات. وتحدد بطاقة النموذج الاستخدام المقصود لـ AREX-2 بالأبحاث المتعلقة بالوكلاء طويلي المدى وهندسة تعلم الآلة والبحث المعمق المعزز بالأدوات، وعلى المستخدم أن يجهز بنية البحث والأدوات بنفسه. والنموذج حديث الإصدار ولا توجد بعد ملاحظات من المجتمع. ولمعرفة أدائه في مهام مختلفة، تجدر متابعة تقييمات الباحثين المستقلين.
المصادر: Hugging Face: بطاقة نموذج AREX-2، وGitHub: VectorSpaceLab/AREX-2، وarXiv: ورقة AREX.
