AI FRONTIER

SWE-Duel：コーディングエージェント向け自己拡張型アリーナ

本論文は SWE-Duel を提案する。2 つのコーディングエージェントが鏡像的な Red-Blue ターンで相互評価するアリーナであり、タスクと判定基準は評価時に生成されるため、事前に漏洩しうる内容が存在しない。

• 5 言語の 15 リポジトリで、11 のモデル・ハーネス構成が 1,500 ターンのトーナメントに参加した。
• GPT-5.5 と Codex CLI の組み合わせが 1 位となり、レビューした欠陥の 98.3% を修復した。
• Claude Opus 4.8 と mini-swe-agent の組み合わせが 2 位となり、Red 勝率は 27.3% だった。
• 同一モデルファミリー内で、最新版が作成したタスクは旧版よりもはるかに高い頻度で固定参照ソルバーを破った（42.9% 対 4.0%）。

コーディングエージェントを構築するチームにとって、このアリーナは評価難度をタスク作成能力に結びつけるため、解く能力と出題する能力の両方を測る必要があることを示す。

IBM Research 論文：オープンなエージェントファクトリーと大規模分散推論で AI 駆動チップ設計を低コスト化

IBM Research の論文概要が、オープンなエージェントファクトリーと大規模分散推論によって AI 駆動のチップ設計をより低コストにする方向を提示している。

• 出典は IBM Research の論文概要である。
• タイトルはオープンなエージェントファクトリーと大規模分散推論の二つを挙げている。
• 目的は AI 駆動チップ設計のコスト削減である。

AI 構築者にとって、チップ設計エージェントと分散推論を組み合わせることが大規模設計フローのコスト管理につながる可能性を示す。

OpenRouter 新モデル：LiquidAI LFM2.5-24B-A2B

Liquid AI の LFM2.5-24B-A2B は、総パラメータ 24B・アクティブパラメータ 2.45B の Mixture-of-Experts 推論モデルで、常に推論してから回答し、ツールを呼び出すエージェント向けに設計されています。

• 総パラメータは 24B、アクティブパラメータは 2.45B。
• コンテキストウィンドウは 128,000 トークンで、最大 8,192 の補完トークンをサポート。
• 価格は入力 100 万トークンあたり 0.05 ドル、出力 100 万トークンあたり 0.70 ドル、キャッシュ読み取りは 100 万トークンあたり 0.025 ドル。
• tools と tool_choice による関数呼び出しに対応し、response_format の JSON schema による構造化出力もサポート。

ツール呼び出しエージェントを構築する開発者にとって、2.45B のアクティブパラメータと 128K コンテキスト、低い入力価格の組み合わせは高スループットの検索拡張推論に適しています。

openbmb が MiniCPM-V-4.7-35B-A3B を公開、MiniCPM-V シリーズ初の MoE モデル

openbmb が MiniCPM-V-4.7-35B-A3B を公開した。MiniCPM-V シリーズ初の MoE モデルで、Apache-2.0 ライセンスの下、画像・複数画像・動画理解に対応し、オンデバイス推論をうたう。

• パラメータ数は 35.2B の MoE 構成で、Pipeline は image-text-to-text、ライセンスは apache-2.0。
• Lookahead Expert Scheduling、細粒度のレイヤー単位量子化、DSpark 投機的サンプリングにより、iPhone 17 Pro Max 上で約 3 GB のメモリで 13+ tokens/s のデコード速度を達成するとしている。
• Instruct モードで 35B-A3B は Qwen3.6 35B-A3B より短い推論時間で高い総合スコアを得たと報告している。
• SGLang、vLLM、llama.cpp、Ollama の推論フレームワークと SWIFT、LLaMA-Factory の微調整フレームワークに対応し、GGUF、BNB、AWQ、GPTQ、FP8 の量子化版を提供する。

スマートフォンやエッジチップでマルチモーダル MoE を動かしたい開発者にとって、Apache-2.0 の重み、複数の量子化形式、主要推論フレームワーク対応が揃い、実機で 13+ tokens/s という主張を検証しやすい。

私たちは6か月かけて3,500体のAIトレーディングボットの資金をすべて失い、その後論文を書いた

科技行者によると、ある研究は6か月間にわたり3,500体のAIトレーディングボットに取引させた結果、これらのボットの資金がすべて失われ、その後研究者が論文を執筆した。

• 実験期間は6か月。
• 実験に参加したAIトレーディングボットは3,500体。
• これらのAIトレーディングボットの資金はすべて失われた。

AI構築者にとって、この実験はAI取引エージェントが市場で体系的な損失リスクに直面し得ることを示唆し、導入前の慎重な評価が必要である。

Microsoft Research、模擬学生でAIチューターを評価するStudentSimを発表

StudentSimは、公開された匿名化済み学習記録から個別化されたAI学生シミュレータを訓練し、実学習者でのテスト前にAIチューターを評価・改善する研究システムです。チェス、第二言語としての英語ライティング、数学を対象とするStudentSimEvalベンチマークも提案されています。

• 論文概要：StudentSimは実学習者でのテスト前にAIチューターを評価・改善する研究システムであり、製品ではなく、教室に配備されておらず、教師を置き換えることを意図していない。
• チェスでは、StudentSimの行動忠実度は0.5150、ガイダンス応答性は0.9067。GPT-5.4はそれぞれ0.2316と0.7186、チェス特化の人間着手予測モデルMaia2は0.4535と0.2721。
• チェスのチューター強化学習研究で、StudentSimを報酬源として訓練したチューターは90.5%の精度に達し、RLなしのベースラインは75.7%、GPT-5.4を模擬学生報酬源とした条件は71.6%。
• 研究は研究用に公開された匿名化済み学習者データセットのみを使用し、各個別化シミュレータはその学生自身の匿名化記録のみで訓練される。

AIチューターを構築するチームにとって、StudentSimは高コストな実学習者研究の前に、実学習記録に基づく拡張可能なフィードバック信号を提供する。

CLEAT：対話型エージェントのための価値誘導型明確化の学習

本論文は CLEAT を提案し、共有された対話結果から明確化価値コントローラとタスクポリシーを共訓練し、残差クエリ価値で質問がもたらすタスク効用の増分を測る。

• 論文は同一の対話履歴からのペア rollout により残差クエリ価値を推定し、コントローラが明確化価値を予測、タスクポリシーが有用な質問の選択と回答に基づく行動を行う。
• Qwen3-4B を用いた場合、CLEAT は 4 つのベンチマークにわたる 10 の評価設定すべてで最高平均スコアを達成した。
• 論文は UserGym Travel で最強ベースラインを 13.2 ポイント、IN3 の underspecification 判断精度で 6.5 ポイント上回ると報告している。
• アブレーションにより、推論時にコントローラを除いても共訓練はタスクポリシーを改善し、進化するポリシーに明確化ガイダンスを適応させるとさらなる利得が得られることが示された。

対話型エージェントを構築するチームにとって、明確化の価値はポリシー更新に合わせて再推定すべきであり、固定の質問ヒューリスティックでは不十分であることを示す。

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。

今すぐ導入する必要はありませんが、継続して追う価値のある技術シグナルです。