3qk7
Today’s frontier report
Research Pool → Multi-Scout → Editor → Edition
3qk7 · AI LOCAL LABS TECHNICAL SCOUTING

AI FRONTIER

Signals worth understanding before they become obvious.

2026-10-14
01
watchagentsincremental

SWE-Duel: Hướng tới một đấu trường tự mở rộng cho các tác nhân lập trình

Bài báo giới thiệu SWE-Duel, một đấu trường nơi hai tác nhân lập trình đánh giá lẫn nhau qua các lượt Red-Blue đối xứng, với nhiệm vụ và tiêu chí đánh giá được tạo tại thời điểm đánh giá nên không có nội dung tồn tại trước để rò rỉ.

  • Một giải đấu giữa 11 thí sinh mô hình-harness diễn ra trên 15 kho mã trong năm ngôn ngữ với 1.500 lượt.
  • GPT-5.5 với Codex CLI xếp thứ nhất với vai trò bộ giải mạnh nhất, sửa chữa 98,3% lỗi mà nó xem xét.
  • Claude Opus 4.8 với mini-swe-agent xếp thứ hai với vai trò tác giả nhiệm vụ mạnh nhất, với tỷ lệ thắng Red là 27,3%.
  • Trong cùng một họ mô hình, các nhiệm vụ do phiên bản mới nhất viết đánh bại bộ giải tham chiếu cố định thường xuyên hơn nhiều so với các phiên bản cũ hơn (42,9% so với 4,0%).

Với các nhóm xây dựng tác nhân lập trình, đấu trường này gắn độ khó đánh giá với năng lực viết nhiệm vụ, cho thấy cần đo cả khả năng giải lẫn khả năng tạo nhiệm vụ.

arXiv cs.CL
02
watchagentsincremental

Bài báo IBM Research: giúp thiết kế chip do AI dẫn dắt trở nên khả thi về chi phí nhờ nhà máy tác tử mở và suy luận phân tán ở quy mô lớn

Tóm tắt bài báo của IBM Research đề xuất kết hợp nhà máy tác tử mở với suy luận phân tán ở quy mô lớn để thiết kế chip do AI dẫn dắt trở nên khả thi hơn về chi phí.

  • Nguồn là tóm tắt bài báo của IBM Research.
  • Tiêu đề nêu hai đòn bẩy: nhà máy tác tử mở và suy luận phân tán ở quy mô lớn.
  • Mục tiêu được nêu là giúp thiết kế chip do AI dẫn dắt khả thi về chi phí.

Với các nhà xây dựng AI, điều này gợi ý kết hợp tác tử thiết kế chip với suy luận phân tán để kiểm soát chi phí trong quy trình thiết kế quy mô lớn.

IBM Research
03
watchresearchincremental

Mô hình mới trên OpenRouter: LiquidAI LFM2.5-24B-A2B

LFM2.5-24B-A2B là mô hình suy luận mixture-of-experts của Liquid AI với tổng 24B tham số và 2,45B tham số hoạt động, luôn suy luận trước khi trả lời và được xây dựng cho các tác nhân gọi công cụ.

  • Tổng 24B tham số với 2,45B tham số hoạt động.
  • Cửa sổ ngữ cảnh 128.000 token, hỗ trợ tối đa 8.192 token hoàn thành.
  • Giá 0,05 USD cho mỗi 1 triệu token đầu vào và 0,70 USD cho mỗi 1 triệu token đầu ra, với đọc bộ nhớ đệm 0,025 USD cho mỗi 1 triệu token.
  • Chấp nhận tools và tool_choice để gọi hàm và hỗ trợ đầu ra có cấu trúc qua JSON schema trong response_format.

Với những ai xây dựng tác nhân gọi công cụ, 2,45B tham số hoạt động cùng ngữ cảnh 128K và giá đầu vào thấp phù hợp với các pipeline suy luận tăng cường truy xuất thông lượng cao.

OpenRouter Models
04
watchmodelsincremental

openbmb phát hành MiniCPM-V-4.7-35B-A3B, mô hình MoE đầu tiên trong dòng MiniCPM-V

openbmb đã phát hành MiniCPM-V-4.7-35B-A3B, mô hình MoE đầu tiên trong dòng MiniCPM-V, theo giấy phép Apache-2.0, hỗ trợ hiểu hình ảnh, nhiều hình ảnh và video cùng suy luận trên thiết bị được công bố là mượt mà.

  • Mô hình có 35,2B tham số theo kiến trúc MoE, pipeline image-text-to-text và giấy phép apache-2.0.
  • Thông báo phát hành cho biết Lookahead Expert Scheduling, lượng tử hóa tinh theo từng lớp và lấy mẫu suy đoán DSpark đạt tốc độ giải mã 13+ tokens/s với khoảng 3 GB bộ nhớ trên iPhone 17 Pro Max.
  • Thông báo phát hành cho biết ở chế độ Instruct, 35B-A3B đạt điểm tổng thể cao hơn với thời gian suy luận ít hơn so với Qwen3.6 35B-A3B.
  • Mô hình hỗ trợ các framework suy luận SGLang, vLLM, llama.cpp và Ollama cùng tinh chỉnh với SWIFT và LLaMA-Factory, đồng thời cung cấp các biến thể lượng tử hóa GGUF, BNB, AWQ, GPTQ và FP8.

Với nhà phát triển nhắm đến điện thoại hoặc chip biên, trọng số Apache-2.0, nhiều định dạng lượng tử hóa và hỗ trợ framework phổ biến giúp dễ kiểm chứng tốc độ giải mã 13+ tokens/s được công bố trên thiết bị của chính họ.

Hugging Face Trending
05
watchresearchincremental

Chúng tôi đã dành sáu tháng để mất tiền của 3.500 bot giao dịch AI, rồi viết một bài báo

Theo 科技行者, một nghiên cứu đã cho 3.500 bot giao dịch AI hoạt động trong sáu tháng, và toàn bộ tiền của chúng đã bị mất, sau đó các nhà nghiên cứu đã viết một bài báo.

  • Thí nghiệm kéo dài sáu tháng.
  • Thí nghiệm có 3.500 bot giao dịch AI tham gia.
  • Toàn bộ tiền của các bot giao dịch AI đã bị mất.

Đối với những người xây dựng AI, thí nghiệm này gợi ý rằng các tác nhân giao dịch AI có thể đối mặt với rủi ro thua lỗ mang tính hệ thống trên thị trường, nên cần đánh giá cẩn thận trước khi triển khai.

科技行者
06
watchresearchincremental

Microsoft Research giới thiệu StudentSim để đánh giá gia sư AI bằng học sinh mô phỏng

StudentSim là một hệ thống nghiên cứu huấn luyện các trình mô phỏng học sinh AI được cá nhân hóa từ hồ sơ người học đã khử nhận dạng và được công bố công khai, nhằm đánh giá và cải thiện các công cụ gia sư AI trước khi thử nghiệm với người học thật. Công trình cũng giới thiệu StudentSimEval, một chuẩn đánh giá bao gồm ...

  • 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。

Đối với các nhóm xây dựng gia sư AI, StudentSim mang lại cách tạo tín hiệu phản hồi có thể mở rộng từ hồ sơ học tập thật trước khi tiến hành các nghiên cứu tốn kém với người học thật.

Microsoft Research
07
watchagentsincremental

CLEAT: Học làm rõ dẫn dắt bởi giá trị cho tác nhân tương tác

Bài báo giới thiệu CLEAT, một khung đồng huấn luyện bộ điều khiển giá trị làm rõ và chính sách tác vụ từ các kết quả tương tác chung, dùng giá trị truy vấn dư để đo lợi ích tác vụ khi hỏi thay vì tiếp tục.

  • Bài báo ước lượng giá trị truy vấn dư qua các rollout ghép cặp từ cùng lịch sử tương tác; bộ điều khiển dự đoán giá trị làm rõ và chính sách tác vụ chọn câu hỏi hữu ích rồi hành động theo câu trả lời.
  • Với Qwen3-4B, CLEAT đạt điểm trung bình cao nhất trong cả mười cấu hình đánh giá trên bốn benchmark.
  • Bài báo báo cáo mức tăng so với baseline mạnh nhất là 13,2 điểm phần trăm trên UserGym Travel và 6,5 điểm phần trăm trên độ chính xác phán đoán underspecification của IN3.
  • Các thí nghiệm loại bỏ cho thấy đồng huấn luyện cải thiện chính sách tác vụ ngay cả khi bỏ bộ điều khiển lúc suy luận, và việc thích ứng hướng dẫn làm rõ với chính sách đang tiến hóa mang lại lợi ích thêm.

Với người xây dựng tác nhân tương tác, công trình này cho thấy giá trị của câu hỏi làm rõ cần được ước lượng lại khi chính sách thay đổi, thay vì cố định bằng heuristic tĩnh.

arXiv cs.AI