AI FRONTIER

SWE-Duel: Auf dem Weg zu einer selbstskalierenden Arena für Coding-Agenten

Die Arbeit stellt SWE-Duel vor, eine Arena, in der zwei Coding-Agenten sich über gespiegelte Red-Blue-Runden gegenseitig bewerten, wobei Aufgaben und Orakel erst zur Evaluierungszeit entstehen, sodass vorab kein Inhalt existiert, der leaken könnte.

• Ein Turnier mit 11 Modell-Harness-Teilnehmern lief über 1.500 Runden auf 15 Repositories in fünf Sprachen.
• GPT-5.5 mit Codex CLI belegte als stärkster Solver den ersten Platz und reparierte 98,3 % der von ihm geprüften Defekte.
• Claude Opus 4.8 mit mini-swe-agent belegte als stärkster Aufgabenautor den zweiten Platz, mit einer Red-Siegquote von 27,3 %.
• Innerhalb einer Modellfamilie besiegten Aufgaben der neuesten Version einen festen Referenz-Solver weit häufiger als die älterer Versionen (42,9 % gegenüber 4,0 %).

Für Teams, die Coding-Agenten entwickeln, koppelt diese Arena die Evaluierungsschwierigkeit an die Fähigkeit zur Aufgabenerstellung, sodass sowohl Lösen als auch Aufgabenverfassen gemessen werden sollten.

IBM-Research-Paper: KI-gestütztes Chipdesign durch offene Agent-Factories und verteilte Inferenz im großen Maßstab bezahlbar machen

Ein Abstract von IBM Research schlägt vor, offene Agent-Factories zusammen mit verteilter Inferenz im großen Maßstab einzusetzen, um KI-gestütztes Chipdesign bezahlbarer zu machen.

• Die Quelle ist ein Abstract von IBM Research.
• Der Titel nennt zwei Hebel: offene Agent-Factories und verteilte Inferenz im großen Maßstab.
• Das erklärte Ziel ist, KI-gestütztes Chipdesign bezahlbar zu machen.

Für KI-Entwickler deutet dies darauf hin, Chipdesign-Agenten mit verteilter Inferenz zu kombinieren, um die Kosten großskaliger Design-Workflows zu kontrollieren.

Neues OpenRouter-Modell: LiquidAI LFM2.5-24B-A2B

LFM2.5-24B-A2B ist ein Mixture-of-Experts-Reasoning-Modell von Liquid AI mit insgesamt 24B und 2,45B aktiven Parametern, das stets vor der Antwort schlussfolgert und für Agenten gebaut ist, die Tools aufrufen.

• Insgesamt 24B Parameter bei 2,45B aktiven Parametern.
• Kontextfenster von 128.000 Tokens mit Unterstützung für bis zu 8.192 Completion-Tokens.
• Preis von 0,05 $ pro 1 Mio. Eingabe-Tokens und 0,70 $ pro 1 Mio. Ausgabe-Tokens, Cache-Lesevorgänge zu 0,025 $ pro 1 Mio. Tokens.
• Akzeptiert tools und tool_choice für Funktionsaufrufe und unterstützt strukturierte Ausgaben über ein JSON-Schema in response_format.

Für Entwickler von Tool-aufrufenden Agenten eignen sich 2,45B aktive Parameter mit 128K-Kontext und niedrigem Eingabepreis für durchsatzstarke, retrieval-gestützte Reasoning-Pipelines.

openbmb veröffentlicht MiniCPM-V-4.7-35B-A3B, erstes MoE-Modell der MiniCPM-V-Reihe

openbmb hat MiniCPM-V-4.7-35B-A3B veröffentlicht, das erste MoE-Modell der MiniCPM-V-Reihe, unter Apache-2.0 mit Bild-, Mehrbild- und Videoverständnis und laut Ankündigung flüssiger On-Device-Inferenz.

• Das Modell hat 35,2B Parameter in einer MoE-Architektur, eine image-text-to-text-Pipeline und die Lizenz apache-2.0.
• Die Veröffentlichung gibt an, dass 35B-A3B im Instruct-Modus in weniger Inferenzzeit einen höheren Gesamtscore als Qwen3.6 35B-A3B erreicht.
• Unterstützt werden die Inferenz-Frameworks SGLang, vLLM, llama.cpp und Ollama sowie SWIFT und LLaMA-Factory für Fine-Tuning, dazu quantisierte Varianten in GGUF, BNB, AWQ, GPTQ und FP8.

Für Entwickler, die Smartphones oder Edge-Chips anvisieren, ermöglichen Apache-2.0-Gewichte, mehrere Quantisierungsformate und gängige Framework-Unterstützung, die angegebenen 13+ tokens/s auf eigenen Geräten zu prüfen.

Wir verbrachten sechs Monate damit, das Geld von 3.500 KI-Trading-Bots zu verlieren, und schrieben dann ein Paper

Laut 科技行者 ließ eine Studie 3.500 KI-Trading-Bots sechs Monate lang handeln, und alle ihre Mittel gingen verloren, woraufhin die Forscher ein Paper verfassten.

• Das Experiment dauerte sechs Monate.
• Das Experiment umfasste 3.500 KI-Trading-Bots.
• Alle Mittel der KI-Trading-Bots gingen verloren.

Für KI-Entwickler deutet dieses Experiment darauf hin, dass KI-Trading-Agenten einem systemischen Verlustrisiko an Märkten ausgesetzt sein können, weshalb vor dem Einsatz eine sorgfältige Bewertung nötig ist.

Microsoft Research stellt StudentSim zur Bewertung von KI-Tutoren mit simulierten Schülern vor

StudentSim ist ein Forschungssystem, das personalisierte KI-Schülersimulatoren aus öffentlich verfügbaren, de-identifizierten Lernerdaten trainiert, um KI-Tutoring-Tools vor Tests mit echten Lernenden zu bewerten und zu verbessern. Die Arbeit führt außerdem StudentSimEval ein, einen Benchmark für Schach, englische Schr...

• 论文摘要：StudentSim 是在真实学习者测试之前评估和改进 AI 辅导工具的研究系统，它不是产品，未部署在课堂，也不打算取代教师。
• 在国际象棋中，StudentSim 的行为保真度为 0.5150，指导响应度为 0.9067；GPT-5.4 分别为 0.2316 和 0.7186，国际象棋专用预测模型 Maia2 分别为 0.4535 和 0.2721。
• 在国际象棋辅导强化学习研究中，使用 StudentSim 作为奖励来源训练的辅导模型达到 90.5% 准确率，无强化学习基线为 75.7%，使用 GPT-5.4 作为模拟学生奖励来源为 71.6%。
• 研究仅使用为研究发布的、去标识化的公开学习者数据集，每个个性化模拟器只在该学生自己的去标识化记录上训练。

Für Teams, die KI-Tutoren entwickeln, bietet StudentSim einen Weg, skalierbare Feedbacksignale aus echten Lerndaten zu erzeugen, bevor kostspielige Studien mit echten Lernenden durchgeführt werden.

CLEAT: Wertgeleitetes Klärungslernen für interaktive Agenten

Die Arbeit stellt CLEAT vor, ein Framework, das einen Klärungswert-Controller und die Aufgabenpolitik aus gemeinsamen Interaktionsergebnissen ko-trainiert und mit dem residualen Abfragewert den Aufgabenutzen misst, der durch Fragen statt Fortfahren entsteht.

• Mit Qwen3-4B erreicht CLEAT den höchsten Mittelwert in allen zehn Evaluierungseinstellungen über vier Benchmarks.
• Die Arbeit berichtet Verbesserungen gegenüber der stärksten Baseline von 13,2 Prozentpunkten bei UserGym Travel und 6,5 Prozentpunkten bei der Underspecification-Urteilsgenauigkeit von IN3.

Für Entwickler interaktiver Agenten bedeutet dies, dass der Wert einer Klärungsfrage mit der Politik neu geschätzt werden sollte, statt durch eine statische Frageheuristik fixiert zu sein.

Know What You Don't Know: Agentic Data Synthesis by Evolving Generation Space for Closed-Loop Learni...

论文摘要：Know What You Don't Know：围绕大语言模型的能力、评测或对齐问题展开，适合关注方法与实验结果。

This is a useful technical direction to keep on the radar, even if it does not require immediate action.