AI FRONTIER

SWE-Duel: verso un'arena auto-scalante per agenti di programmazione

Il paper presenta SWE-Duel, un'arena in cui due agenti di programmazione si valutano a vicenda attraverso turni Red-Blue speculari, con attività e oracoli creati al momento della valutazione, così che nessun contenuto esista in anticipo e possa trapelare.

• Un torneo tra 11 partecipanti modello-harness si è svolto su 15 repository in cinque linguaggi per 1.500 turni.
• GPT-5.5 con Codex CLI si è classificato primo come risolutore più forte, riparando il 98,3% dei difetti che ha esaminato.
• Claude Opus 4.8 con mini-swe-agent si è classificato secondo come autore di attività più forte, con un tasso di vittoria Red del 27,3%.
• All'interno di una stessa famiglia di modelli, le attività scritte dalla versione più recente hanno sconfitto un risolutore di riferimento fisso molto più spesso di quelle delle versioni precedenti (42,9% contro 4,0%).

Per i team che costruiscono agenti di programmazione, questa arena lega la difficoltà di valutazione alla capacità di redigere attività, indicando che vanno misurate sia la risoluzione sia la creazione di attività.

Paper di IBM Research: rendere accessibile la progettazione di chip guidata dall'IA con fabbriche di agenti aperte e inferenza distribuita su larga scala

Un abstract di IBM Research propone di combinare fabbriche di agenti aperte e inferenza distribuita su larga scala per rendere più accessibile la progettazione di chip guidata dall'IA.

• La fonte è un abstract di IBM Research.
• Il titolo indica due leve: fabbriche di agenti aperte e inferenza distribuita su larga scala.
• L'obiettivo dichiarato è rendere accessibile la progettazione di chip guidata dall'IA.

Per i costruttori di IA, questo suggerisce di abbinare agenti di progettazione di chip e inferenza distribuita per controllare i costi nei flussi di progettazione su larga scala.

Nuovo modello su OpenRouter: LiquidAI LFM2.5-24B-A2B

LFM2.5-24B-A2B è un modello di ragionamento mixture-of-experts di Liquid AI con 24B di parametri totali e 2,45B attivi, che ragiona sempre prima di rispondere ed è pensato per agenti che chiamano strumenti.

• 24B di parametri totali con 2,45B di parametri attivi.
• Finestra di contesto di 128.000 token, con supporto fino a 8.192 token di completamento.
• Prezzo di 0,05 $ per 1M di token in input e 0,70 $ per 1M di token in output, con letture della cache a 0,025 $ per 1M di token.
• Accetta tools e tool_choice per la chiamata di funzioni e supporta output strutturati tramite uno schema JSON in response_format.

Per chi sviluppa agenti che chiamano strumenti, 2,45B di parametri attivi con contesto da 128K e prezzo di input basso si adattano a pipeline di ragionamento aumentato dal recupero ad alto throughput.

openbmb pubblica MiniCPM-V-4.7-35B-A3B, primo modello MoE della serie MiniCPM-V

openbmb ha pubblicato MiniCPM-V-4.7-35B-A3B, primo modello MoE della serie MiniCPM-V, con licenza Apache-2.0, comprensione di immagini, immagini multiple e video e inferenza on-device dichiarata fluida.

• Il modello ha 35,2B parametri in architettura MoE, pipeline image-text-to-text e licenza apache-2.0.
• Il rilascio indica che Lookahead Expert Scheduling, la quantizzazione fine strato per strato e il campionamento speculativo DSpark consentono una decodifica di 13+ tokens/s con circa 3 GB di memoria su iPhone 17 Pro Max.
• Il rilascio indica che in modalità Instruct 35B-A3B ottiene un punteggio complessivo superiore in meno tempo di inferenza rispetto a Qwen3.6 35B-A3B.
• Supporta i framework di inferenza SGLang, vLLM, llama.cpp e Ollama, oltre al fine-tuning con SWIFT e LLaMA-Factory, e offre varianti quantizzate GGUF, BNB, AWQ, GPTQ e FP8.

Per chi distribuisce su telefoni o chip edge, i pesi Apache-2.0, i diversi formati di quantizzazione e il supporto ai framework più diffusi permettono di verificare sui propri dispositivi la decodifica dichiarata di 13+ tokens/s.

Abbiamo passato sei mesi a perdere il denaro di 3.500 bot di trading IA, poi abbiamo scritto un articolo

Secondo 科技行者, uno studio ha fatto operare 3.500 bot di trading IA per sei mesi, e tutti i loro fondi sono andati perduti, dopodiché i ricercatori hanno scritto un articolo.

• L'esperimento è durato sei mesi.
• L'esperimento ha coinvolto 3.500 bot di trading IA.
• Tutti i fondi dei bot di trading IA sono andati perduti.

Per i costruttori di IA, questo esperimento suggerisce che gli agenti di trading IA possono affrontare un rischio di perdita sistemica nei mercati, richiedendo una valutazione attenta prima del deployment.

Microsoft Research presenta StudentSim per valutare i tutor IA con studenti simulati

StudentSim è un sistema di ricerca che addestra simulatori di studenti IA personalizzati a partire da record di studenti de-identificati e disponibili pubblicamente, per valutare e migliorare gli strumenti di tutoraggio IA prima dei test con studenti reali. Il lavoro introduce anche StudentSimEval, un benchmark che cop...

• 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。

Per i team che costruiscono tutor IA, StudentSim offre un modo per generare segnali di feedback scalabili da record di apprendimento reali prima di condurre costosi studi con studenti reali.

CLEAT: apprendere la chiarificazione guidata dal valore per agenti interattivi

Il paper introduce CLEAT, un framework che co-allena un controller del valore di chiarificazione e la policy del task da esiti di interazione condivisi, misurando con il valore di query residuo l'utilità guadagnata ponendo domande invece di procedere.

• Con Qwen3-4B, CLEAT ottiene il punteggio medio più alto in tutte e dieci le configurazioni di valutazione su quattro benchmark.
• Il paper riporta guadagni sulla baseline più forte di 13,2 punti percentuali su UserGym Travel e 6,5 punti percentuali sull'accuratezza di giudizio di underspecification di IN3.

Per chi costruisce agenti interattivi, questo lavoro indica che il valore di una domanda di chiarificazione va ristimato man mano che la policy cambia, invece di essere fissato da un'euristica statica.

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.