AREX、二重ループ検証でディープリサーチを駆動、4Bおよび122B-A10Bエージェントモデルを公開

北京智源人工智能研究院（BAAI）は、ディープリサーチエージェントファミリー「AREX」を公開した。その重点は、単に検索回数やコンテキスト長を増やすことではなく、調査を交互に動作する内側と外側の二重ループに分割する点にある。内側のエージェントは`search`や`visit`などのツールを使って情報を収集し、証拠を統合して暫定回答を生成する。外側のループは元の質問に含まれる制約を項目ごとに確認し、確信度と不足情報に応じて、回答を採用するか、特定の主張について検証を続けるか、情報が不十分な軌跡を破棄してやり直すかを決定する。

長い処理によってコンテキストが埋め尽くされるのを防ぐため、モデルは自ら`update_context`を呼び出し、検証済みの知見、ソース識別子、除外された回答候補、未解決の制約、今後の計画を新たな作業状態へ圧縮する。これは固定長の要約とは異なり、どの情報を残すべきかという判断自体もエージェントが学習するアクションとなる。訓練プロセスでは、エージェント型の中間訓練と長期ホライズン強化学習を組み合わせ、重要な証拠の取得や誤った調査方針の修正といったステップの報酬重みを高めている。これにより、最終回答だけを採点することで生じる疎なフィードバックの緩和を図る。

AREX-TurboはQwen3.5-4BをベースとするDenseモデルで、AREX-BaseはQwen3.5-122B-A10B MoEを採用し、各tokenで約10Bパラメータをアクティブ化する。いずれも256Kコンテキストを掲げている。作者らは、BrowseComp、GAIA、DeepSearchQA、WideSearch、HLEなど6種類のテストで、同程度の規模を持つ複数のベースラインを上回ったと報告しており、BF16重み、プロンプト、クイックスタート用コードも公開済みだ。ただし、エンジニアリングチームは「再帰的自己改善」という表現を慎重に解釈すべきである。ここで改善されるのは個々の調査軌跡と圧縮された状態であり、デプロイ後にモデルが自身の重みを変更するわけではない。公開リポジトリの履歴は現時点でまだ短く、検索バックエンド、ツールの信頼性、推論コスト、ベンチマークで同一の予算が使用されたかどうかについても、独立した再現検証が必要となる。