AI FRONTIER

SWE-Duel: hacia una arena autoescalable para agentes de programación

El artículo presenta SWE-Duel, una arena en la que dos agentes de programación se evalúan mutuamente mediante turnos Red-Blue en espejo, con tareas y oráculos creados en el momento de la evaluación, por lo que no existe contenido de antemano que pueda filtrarse.

• Un torneo entre 11 participantes de modelo y arnés se ejecutó en 15 repositorios en cinco lenguajes durante 1.500 turnos.
• GPT-5.5 con Codex CLI quedó primero como el solucionador más fuerte, reparando el 98,3 % de los defectos que revisó.
• Claude Opus 4.8 con mini-swe-agent quedó segundo como el autor de tareas más fuerte, con una tasa de victoria Red del 27,3 %.
• Dentro de una misma familia de modelos, las tareas escritas por la versión más reciente derrotaron a un solucionador de referencia fijo mucho más a menudo que las de versiones anteriores (42,9 % frente a 4,0 %).

Para los equipos que construyen agentes de programación, esta arena vincula la dificultad de evaluación con la capacidad de redactar tareas, por lo que conviene medir tanto la resolución como la creación de tareas.

Artículo de IBM Research: hacer asequible el diseño de chips impulsado por IA con fábricas de agentes abiertas e inferencia distribuida a escala

Un resumen de artículo de IBM Research propone combinar fábricas de agentes abiertas con inferencia distribuida a escala para hacer más asequible el diseño de chips impulsado por IA.

• La fuente es un resumen de artículo de IBM Research.
• El título nombra dos palancas: fábricas de agentes abiertas e inferencia distribuida a escala.
• El objetivo declarado es hacer asequible el diseño de chips impulsado por IA.

Para los constructores de IA, esto apunta a combinar agentes de diseño de chips con inferencia distribuida para controlar el coste en flujos de diseño a gran escala.

Nuevo modelo de OpenRouter: LiquidAI LFM2.5-24B-A2B

LFM2.5-24B-A2B es un modelo de razonamiento de mezcla de expertos de Liquid AI con 24B de parámetros totales y 2,45B activos, que siempre razona antes de responder y está diseñado para agentes que llaman a herramientas.

• 24B de parámetros totales con 2,45B de parámetros activos.
• Ventana de contexto de 128.000 tokens con soporte para hasta 8.192 tokens de finalización.
• Precio de 0,05 $ por 1M de tokens de entrada y 0,70 $ por 1M de tokens de salida, con lecturas de caché a 0,025 $ por 1M de tokens.
• Acepta tools y tool_choice para llamadas a funciones y admite salidas estructuradas mediante un esquema JSON en response_format.

Para quienes construyen agentes que llaman a herramientas, 2,45B de parámetros activos con contexto de 128K y bajo precio de entrada se ajustan a flujos de razonamiento aumentado por recuperación de alto rendimiento.

openbmb publica MiniCPM-V-4.7-35B-A3B, el primer modelo MoE de la serie MiniCPM-V

openbmb publicó MiniCPM-V-4.7-35B-A3B, el primer modelo MoE de la serie MiniCPM-V, bajo Apache-2.0, con comprensión de imágenes, múltiples imágenes y vídeo e inferencia en dispositivo que se presenta como fluida.

• El modelo tiene 35,2B de parámetros en arquitectura MoE, pipeline image-text-to-text y licencia apache-2.0.
• La publicación indica que Lookahead Expert Scheduling, la cuantización fina capa por capa y el muestreo especulativo DSpark permiten una decodificación de 13+ tokens/s con unos 3 GB de memoria en iPhone 17 Pro Max.
• La publicación indica que en modo Instruct, 35B-A3B alcanza una puntuación global superior en menos tiempo de inferencia que Qwen3.6 35B-A3B.
• Admite los frameworks de inferencia SGLang, vLLM, llama.cpp y Ollama, además de ajuste fino con SWIFT y LLaMA-Factory, y ofrece variantes cuantizadas GGUF, BNB, AWQ, GPTQ y FP8.

Para quienes despliegan en teléfonos o chips de borde, los pesos Apache-2.0, los múltiples formatos de cuantización y el soporte de frameworks habituales permiten comprobar en sus propios dispositivos la decodificación declarada de 13+ toke...

Pasamos seis meses perdiendo el dinero de 3.500 bots de trading con IA y luego escribimos un artículo

Según 科技行者, un estudio hizo operar 3.500 bots de trading con IA durante seis meses, y todos sus fondos se perdieron, tras lo cual los investigadores escribieron un artículo.

• El experimento duró seis meses.
• El experimento incluyó 3.500 bots de trading con IA.
• Todos los fondos de los bots de trading con IA se perdieron.

Para los constructores de IA, este experimento sugiere que los agentes de trading con IA pueden enfrentar riesgo de pérdida sistémica en los mercados, por lo que se requiere una evaluación cuidadosa antes del despliegue.

Microsoft Research presenta StudentSim para evaluar tutores de IA con estudiantes simulados

StudentSim es un sistema de investigación que entrena simuladores de estudiantes de IA personalizados a partir de registros de estudiantes desidentificados y disponibles públicamente, para evaluar y mejorar herramientas de tutoría con IA antes de probarlas con estudiantes reales. El trabajo también presenta StudentSimE...

• 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。

Para los equipos que construyen tutores de IA, StudentSim ofrece una forma de generar señales de retroalimentación escalables a partir de registros de aprendizaje reales antes de realizar costosos estudios con estudiantes reales.

CLEAT: aprendizaje de aclaración guiada por valor para agentes interactivos

El artículo presenta CLEAT, un marco que coentrena un controlador de valor de aclaración y la política de tarea a partir de resultados de interacción compartidos, midiendo con el valor de consulta residual la utilidad ganada al preguntar en lugar de continuar.

• Con Qwen3-4B, CLEAT logra la puntuación media más alta en las diez configuraciones de evaluación sobre cuatro benchmarks.
• El artículo reporta mejoras sobre la baseline más fuerte de 13,2 puntos porcentuales en UserGym Travel y 6,5 puntos porcentuales en la precisión de juicio de subespecificación de IN3.

Para quienes construyen agentes interactivos, este trabajo indica que el valor de una pregunta de aclaración debe reestimarse a medida que cambia la política, en lugar de fijarse con una heurística estática.

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.