AI FRONTIER

SWE-Duel: Menuju Arena yang Menskalakan Diri untuk Agen Coding

Makalah ini memperkenalkan SWE-Duel, sebuah arena tempat dua agen coding saling mengevaluasi melalui giliran Red-Blue yang dicerminkan, dengan tugas dan oracle dibuat pada saat evaluasi sehingga tidak ada konten yang ada sebelumnya untuk bocor.

• Turnamen antara 11 peserta model-harness dijalankan pada 15 repositori dalam lima bahasa selama 1.500 giliran.
• GPT-5.5 dengan Codex CLI menempati peringkat pertama sebagai pemecah terkuat, memperbaiki 98,3% cacat yang ditinjaunya.
• Claude Opus 4.8 dengan mini-swe-agent menempati peringkat kedua sebagai penulis tugas terkuat, dengan tingkat kemenangan Red 27,3%.
• Dalam satu keluarga model, tugas yang ditulis oleh versi terbaru mengalahkan pemecah referensi tetap jauh lebih sering daripada versi lama (42,9% vs. 4,0%).

Bagi tim yang membangun agen coding, arena ini mengaitkan kesulitan evaluasi dengan kemampuan menulis tugas, sehingga kemampuan memecahkan dan menulis tugas perlu diukur bersama.

Makalah IBM Research: membuat desain chip berbasis AI terjangkau dengan pabrik agen terbuka dan inferensi terdistribusi dalam skala besar

Abstrak makalah IBM Research mengusulkan penggabungan pabrik agen terbuka dengan inferensi terdistribusi dalam skala besar agar desain chip berbasis AI lebih terjangkau.

• Sumbernya adalah abstrak makalah IBM Research.
• Judul menyebut dua tuas: pabrik agen terbuka dan inferensi terdistribusi dalam skala besar.
• Tujuan yang dinyatakan adalah membuat desain chip berbasis AI terjangkau.

Bagi pembangun AI, ini mengarah pada penggabungan agen desain chip dengan inferensi terdistribusi untuk mengendalikan biaya alur desain berskala besar.

Model baru OpenRouter: LiquidAI LFM2.5-24B-A2B

LFM2.5-24B-A2B adalah model penalaran mixture-of-experts dari Liquid AI dengan total 24B dan 2,45B parameter aktif, yang selalu bernalar sebelum menjawab dan dirancang untuk agen yang memanggil alat.

• Total 24B parameter dengan 2,45B parameter aktif.
• Jendela konteks 128.000 token yang mendukung hingga 8.192 token penyelesaian.
• Harga $0,05 per 1 juta token input dan $0,70 per 1 juta token output, dengan pembacaan cache $0,025 per 1 juta token.
• Menerima tools dan tool_choice untuk pemanggilan fungsi serta mendukung keluaran terstruktur melalui skema JSON di response_format.

Bagi pengembang agen pemanggil alat, 2,45B parameter aktif dengan konteks 128K dan harga input rendah cocok untuk pipeline penalaran berbantuan pencarian dengan throughput tinggi.

openbmb merilis MiniCPM-V-4.7-35B-A3B, model MoE pertama di seri MiniCPM-V

openbmb merilis MiniCPM-V-4.7-35B-A3B, model MoE pertama di seri MiniCPM-V, dengan lisensi Apache-2.0, pemahaman gambar, multi-gambar, dan video, serta inferensi on-device yang diklaim lancar.

• Model ini memiliki 35,2B parameter dengan arsitektur MoE, pipeline image-text-to-text, dan lisensi apache-2.0.
• Rilis ini menyatakan Lookahead Expert Scheduling, kuantisasi halus per lapisan, dan DSpark speculative sampling menghasilkan dekode 13+ tokens/s dengan sekitar 3 GB memori di iPhone 17 Pro Max.
• Rilis ini menyatakan pada mode Instruct, 35B-A3B meraih skor keseluruhan lebih tinggi dengan waktu inferensi lebih singkat dibanding Qwen3.6 35B-A3B.
• Model ini mendukung framework inferensi SGLang, vLLM, llama.cpp, dan Ollama serta fine-tuning SWIFT dan LLaMA-Factory, dan menyediakan varian terkuantisasi GGUF, BNB, AWQ, GPTQ, dan FP8.

Bagi pengembang yang menargetkan ponsel atau chip edge, bobot Apache-2.0, beragam format kuantisasi, dan dukungan framework utama memudahkan pengujian dekode 13+ tokens/s yang diklaim pada perangkat sendiri.

Kami menghabiskan enam bulan kehilangan uang 3.500 bot trading AI, lalu menulis sebuah makalah

Menurut 科技行者, sebuah studi menjalankan 3.500 bot trading AI selama enam bulan, dan seluruh dana mereka hilang, setelah itu para peneliti menulis sebuah makalah.

• Eksperimen berlangsung selama enam bulan.
• Eksperimen melibatkan 3.500 bot trading AI.
• Seluruh dana bot trading AI hilang.

Bagi pembangun AI, eksperimen ini menunjukkan bahwa agen trading AI dapat menghadapi risiko kerugian sistemik di pasar, sehingga evaluasi yang cermat diperlukan sebelum penerapan.

Microsoft Research memperkenalkan StudentSim untuk mengevaluasi tutor AI dengan siswa simulasi

StudentSim adalah sistem riset yang melatih simulator siswa AI yang dipersonalisasi dari catatan pelajar terdeidentifikasi yang tersedia publik, untuk mengevaluasi dan meningkatkan alat bimbingan AI sebelum diuji dengan pelajar nyata. Karya ini juga memperkenalkan StudentSimEval, tolok ukur yang mencakup catur, penulis...

• Dalam studi pembelajaran penguatan tutor catur, tutor yang dilatih dengan StudentSim sebagai sumber imbalan mencapai akurasi 90,5%, dibandingkan 75,7% untuk baseline tanpa RL dan 71,6% untuk kondisi imbalan GPT-5.4.

Bagi tim yang membangun tutor AI, StudentSim menawarkan cara menghasilkan sinyal umpan balik yang dapat diskalakan dari catatan pembelajaran nyata sebelum menjalankan studi pelajar manusia yang mahal.

CLEAT: Mempelajari Klarifikasi Berpanduan Nilai untuk Agen Interaktif

Makalah ini memperkenalkan CLEAT, kerangka yang melatih bersama pengontrol nilai klarifikasi dan kebijakan tugas dari hasil interaksi bersama, serta mengukur dengan nilai kueri residual utilitas tugas yang diperoleh dari bertanya alih-alih melanjutkan.

• Dengan Qwen3-4B, CLEAT meraih skor rata-rata tertinggi di kesepuluh pengaturan evaluasi pada empat benchmark.
• Makalah melaporkan keunggulan atas baseline terkuat sebesar 13,2 poin persentase pada UserGym Travel dan 6,5 poin persentase pada akurasi penilaian underspecification IN3.
• Ablasi menunjukkan bahwa pelatihan bersama meningkatkan kebijakan tugas bahkan saat pengontrol dihapus pada inferensi, dan menyesuaikan panduan klarifikasi dengan kebijakan yang berkembang memberi keuntungan tambahan.

Bagi pembangun agen interaktif, karya ini menunjukkan nilai pertanyaan klarifikasi harus diperkirakan ulang seiring perubahan kebijakan, bukan ditetapkan oleh heuristik statis.

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.