AI FRONTIER

SWE-Duel: कोडिंग एजेंट्स के लिए एक स्व-स्केलिंग एरीना की दिशा में

यह पेपर SWE-Duel पेश करता है, एक ऐसा एरीना जिसमें दो कोडिंग एजेंट मिरर किए गए Red-Blue टर्न के ज़रिए एक-दूसरे का मूल्यांकन करते हैं, और कार्य तथा ऑरेकल मूल्यांकन के समय बनाए जाते हैं, इसलिए पहले से कोई सामग्री मौजूद नहीं होती जो लीक हो सके।

• पाँच भाषाओं के 15 रिपॉज़िटरी पर 11 मॉडल-हार्नेस प्रतिभागियों के बीच 1,500 टर्न का टूर्नामेंट चलाया गया।
• GPT-5.5 और Codex CLI सबसे मज़बूत सॉल्वर के रूप में पहले स्थान पर रहे और उन्होंने अपनी समीक्षा किए गए 98.3% दोषों की मरम्मत की।
• Claude Opus 4.8 और mini-swe-agent सबसे मज़बूत टास्क ऑथर के रूप में दूसरे स्थान पर रहे, जिनकी Red जीत दर 27.3% रही।
• एक ही मॉडल परिवार के भीतर, सबसे नए संस्करण द्वारा लिखे गए कार्यों ने पुराने संस्करणों की तुलना में एक निश्चित संदर्भ सॉल्वर को कहीं अधिक बार हराया (42.9% बनाम 4.0%)।

कोडिंग एजेंट बनाने वाली टीमों के लिए यह एरीना मूल्यांकन कठिनाई को टास्क लेखन क्षमता से जोड़ता है, इसलिए समाधान और कार्य-लेखन दोनों क्षमताओं को मापा जाना चाहिए।

IBM Research पेपर: खुली एजेंट फैक्ट्रियों और बड़े पैमाने पर वितरित इन्फरेंस से AI-आधारित चिप डिज़ाइन को किफायती बनाना

IBM Research के एक पेपर सारांश में खुली एजेंट फैक्ट्रियों और बड़े पैमाने पर वितरित इन्फरेंस को मिलाकर AI-आधारित चिप डिज़ाइन को अधिक किफायती बनाने का प्रस्ताव है।

• स्रोत IBM Research का पेपर सारांश है।
• शीर्षक दो उपाय बताता है: खुली एजेंट फैक्ट्रियाँ और बड़े पैमाने पर वितरित इन्फरेंस।
• घोषित लक्ष्य AI-आधारित चिप डिज़ाइन को किफायती बनाना है।

AI बिल्डरों के लिए यह संकेत है कि बड़े पैमाने के डिज़ाइन वर्कफ़्लो की लागत नियंत्रित करने के लिए चिप-डिज़ाइन एजेंटों को वितरित इन्फरेंस के साथ जोड़ा जा सकता है।

OpenRouter का नया मॉडल: LiquidAI LFM2.5-24B-A2B

LFM2.5-24B-A2B, Liquid AI का मिश्रण-ऑफ-एक्सपर्ट्स रीज़निंग मॉडल है जिसमें कुल 24B और सक्रिय 2.45B पैरामीटर हैं, जो उत्तर देने से पहले हमेशा तर्क करता है और टूल कॉल करने वाले एजेंट के लिए बनाया गया है।

• कुल 24B पैरामीटर, सक्रिय 2.45B पैरामीटर।
• 128,000 टोकन का कॉन्टेक्स्ट विंडो, जो अधिकतम 8,192 पूर्णता टोकन का समर्थन करता है।
• कीमत प्रति 1M इनपुट टोकन 0.05 डॉलर और प्रति 1M आउटपुट टोकन 0.70 डॉलर, कैश रीड प्रति 1M टोकन 0.025 डॉलर।
• फ़ंक्शन कॉलिंग के लिए tools और tool_choice स्वीकार करता है और response_format में JSON schema के ज़रिए संरचित आउटपुट का समर्थन करता है।

टूल कॉल करने वाले एजेंट बनाने वालों के लिए, 2.45B सक्रिय पैरामीटर, 128K कॉन्टेक्स्ट और कम इनपुट कीमत उच्च-थ्रूपुट रिट्रीवल-संवर्धित रीज़निंग पाइपलाइनों के अनुकूल है।

openbmb ने MiniCPM-V-4.7-35B-A3B जारी किया, MiniCPM-V श्रृंखला का पहला MoE मॉडल

openbmb ने MiniCPM-V-4.7-35B-A3B जारी किया है, जो MiniCPM-V श्रृंखला का पहला MoE मॉडल है, Apache-2.0 लाइसेंस के तहत आता है और छवि, बहु-छवि तथा वीडियो समझ के साथ डिवाइस पर सहज अनुमान का दावा करता है।

• मॉडल में MoE आर्किटेक्चर के साथ 35.2B पैरामीटर हैं, पाइपलाइन image-text-to-text है और लाइसेंस apache-2.0 है।
• रिलीज़ के अनुसार Lookahead Expert Scheduling, बारीक परत-वार क्वांटाइज़ेशन और DSpark स्पेक्युलेटिव सैंपलिंग के ज़रिए iPhone 17 Pro Max पर लगभग 3 GB मेमोरी में 13+ tokens/s डिकोडिंग गति मिलती है।
• रिलीज़ के अनुसार Instruct मोड में 35B-A3B, Qwen3.6 35B-A3B की तुलना में कम अनुमान समय में अधिक समग्र स्कोर प्राप्त करता है।
• यह SGLang, vLLM, llama.cpp और Ollama अनुमान फ्रेमवर्क तथा SWIFT और LLaMA-Factory फाइन-ट्यूनिंग का समर्थन करता है, और GGUF, BNB, AWQ, GPTQ व FP8 क्वांटाइज़्ड वेरिएंट देता है।

फ़ोन या एज चिप पर तैनाती करने वाले डेवलपर्स के लिए Apache-2.0 वेट, कई क्वांटाइज़ेशन फ़ॉर्मैट और प्रमुख फ्रेमवर्क समर्थन से अपने डिवाइस पर दावा की गई 13+ tokens/s डिकोडिंग जाँचना व्यावहारिक हो जाता है।

हमने छह महीने में 3,500 AI ट्रेडिंग बॉट्स का पैसा गंवाया, फिर एक पेपर लिखा

科技行者 के अनुसार, एक अध्ययन ने छह महीनों तक 3,500 AI ट्रेडिंग बॉट्स को ट्रेड कराया, और उनके सभी फंड खो गए, जिसके बाद शोधकर्ताओं ने एक पेपर लिखा।

• प्रयोग छह महीने तक चला।
• प्रयोग में 3,500 AI ट्रेडिंग बॉट्स शामिल थे।
• AI ट्रेडिंग बॉट्स के सभी फंड खो गए।

AI बिल्डर्स के लिए, यह प्रयोग संकेत देता है कि AI ट्रेडिंग एजेंट्स को बाजारों में व्यवस्थागत नुकसान का जोखिम हो सकता है, इसलिए तैनाती से पहले सावधान मूल्यांकन आवश्यक है।

Microsoft Research ने सिम्युलेटेड छात्रों से AI ट्यूटर का मूल्यांकन करने वाला StudentSim पेश किया

StudentSim एक शोध प्रणाली है जो सार्वजनिक रूप से उपलब्ध, डी-आइडेंटिफाइड शिक्षार्थी रिकॉर्ड से व्यक्तिगत AI छात्र सिम्युलेटर प्रशिक्षित करती है, ताकि असली शिक्षार्थियों के साथ परीक्षण से पहले AI ट्यूटरिंग टूल का मूल्यांकन और सुधार किया जा सके। यह कार्य StudentSimEval भी पेश करता है, जो शतरंज, दूसरी भाषा के रूप में अंग्र...

• शतरंज ट्यूटर रीइन्फोर्समेंट लर्निंग अध्ययन में, StudentSim को इनाम स्रोत के रूप में प्रशिक्षित ट्यूटर 90.5% सटीकता तक पहुंचता है, जबकि बिना RL का बेसलाइन 75.7% और GPT-5.4 इनाम शर्त 71.6% रही।

AI ट्यूटर बनाने वाली टीमों के लिए, StudentSim महंगे मानव शिक्षार्थी अध्ययनों से पहले असली शिक्षण रिकॉर्ड से स्केलेबल फीडबैक सिग्नल उत्पन्न करने का तरीका देता है।

CLEAT: इंटरैक्टिव एजेंट के लिए मूल्य-निर्देशित स्पष्टीकरण सीखना

यह पेपर CLEAT प्रस्तुत करता है, जो साझा इंटरैक्शन परिणामों से स्पष्टीकरण-मूल्य कंट्रोलर और टास्क पॉलिसी को सह-प्रशिक्षित करता है और अवशिष्ट क्वेरी मूल्य से यह मापता है कि आगे बढ़ने के बजाय पूछने पर कितनी टास्क उपयोगिता मिलती है।

• पेपर उसी इंटरैक्शन इतिहास से युग्मित रोलआउट के जरिए अवशिष्ट क्वेरी मूल्य का अनुमान लगाता है; कंट्रोलर स्पष्टीकरण मूल्य की भविष्यवाणी करता है और टास्क पॉलिसी उपयोगी प्रश्न चुनकर उत्तरों पर कार्य करती है।
• Qwen3-4B के साथ CLEAT चार बेंचमार्क के सभी दस मूल्यांकन सेटिंग्स में सर्वोच्च औसत स्कोर प्राप्त करता है।
• पेपर सबसे मजबूत बेसलाइन की तुलना में UserGym Travel पर 13.2 प्रतिशत अंक और IN3 underspecification निर्णय सटीकता पर 6.5 प्रतिशत अंक की बढ़त बताता है।
• एब्लेशन दिखाते हैं कि इन्फरेंस पर कंट्रोलर हटाने पर भी सह-प्रशिक्षण टास्क पॉलिसी को बेहतर बनाता है, और विकसित होती पॉलिसी के अनुसार स्पष्टीकरण मार्गदर्शन ढालने से अतिरिक्त लाभ मिलता है।

इंटरैक्टिव एजेंट बनाने वालों के लिए यह काम दर्शाता है कि स्पष्टीकरण प्रश्न का मूल्य स्थिर ह्यूरिस्टिक से तय करने के बजाय पॉलिसी बदलने के साथ फिर से अनुमानित होना चाहिए।

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.