AI FRONTIER

SWE-Duel：面向编码智能体的自扩展竞技场

论文提出 SWE-Duel，一个让两个编码智能体通过镜像的 Red-Blue 回合互相评测的竞技场，任务与判定标准在评测时生成，因此事先不存在可泄漏的内容。

• 在 5 种语言的 15 个仓库上，11 个模型-框架组合参与了 1500 回合的锦标赛。
• GPT-5.5 搭配 Codex CLI 排名第一，修复了其审查缺陷的 98.3%。
• Claude Opus 4.8 搭配 mini-swe-agent 排名第二，Red 胜率为 27.3%。
• 同一模型家族内，最新版本撰写的任务击败固定参考求解器的比例远高于旧版本（42.9% 对 4.0%）。

对构建编码智能体的团队而言，该竞技场把评测难度与任务撰写能力绑定，提示应同时评估智能体的解题与出题能力。

IBM Research 论文：以开放智能体工厂和规模化分布式推理降低 AI 驱动芯片设计成本

IBM Research 发布论文摘要，提出用开放智能体工厂与规模化分布式推理，使 AI 驱动的芯片设计更可负担。

• 来源为 IBM Research 的论文摘要。
• 标题提出两条路径：开放智能体工厂与规模化分布式推理。
• 目标为降低 AI 驱动芯片设计的成本。

对 AI 构建者而言，该方向提示可将芯片设计智能体与分布式推理结合，以控制大规模设计流程的成本。

OpenRouter 新模型：LiquidAI LFM2.5-24B-A2B

Liquid AI 的 LFM2.5-24B-A2B 是一个混合专家推理模型，总参数 24B、激活参数 2.45B，始终先推理再作答，面向调用工具的智能体。

• 总参数 24B，激活参数 2.45B。
• 上下文窗口 128,000 tokens，最多支持 8,192 个补全 tokens。
• 定价为每 100 万输入 tokens 0.05 美元、每 100 万输出 tokens 0.70 美元，缓存读取为每 100 万 tokens 0.025 美元。
• 支持通过 tools 和 tool_choice 进行函数调用，并可通过 response_format 中的 JSON schema 支持结构化输出。

对于构建工具调用智能体的开发者来说，2.45B 激活参数配合 128K 上下文和低输入价格，使该模型适合高吞吐的检索增强推理流程。

openbmb 发布 MiniCPM-V-4.7-35B-A3B：MiniCPM-V 系列首个 MoE 模型

openbmb 发布 MiniCPM-V-4.7-35B-A3B，这是 MiniCPM-V 系列首个 MoE 模型，采用 Apache-2.0 许可，支持图像、多图与视频理解，并宣称可在设备端流畅推理。

• 模型参数为 35.2B，采用 MoE 架构，Pipeline 为 image-text-to-text，许可为 apache-2.0。
• 官方称借助 Lookahead Expert Scheduling、细粒度逐层量化与 DSpark 推测采样，在 iPhone 17 Pro Max 上以约 3 GB 内存实现 13+ tokens/s 的解码速度。
• 官方称 Instruct 模式下 35B-A3B 以更少推理时间取得高于 Qwen3.6 35B-A3B 的总体得分。
• 支持 SGLang、vLLM、llama.cpp、Ollama 推理框架，以及 SWIFT、LLaMA-Factory 微调框架，并提供 GGUF、BNB、AWQ、GPTQ 与 FP8 量化版本。

对需要在手机或边缘芯片上部署多模态 MoE 的开发者而言，该模型提供了 Apache-2.0 权重、多种量化格式与主流推理框架支持，可先在目标设备上验证其宣称的 13+ tokens/s 解码表现。

我们花了六个月，把三千五百个AI交易机器人的钱亏光了，然后写了一篇论文

科技行者报道，一项研究用六个月时间让三千五百个AI交易机器人进行交易，结果这些机器人的资金全部亏损，随后研究者就此撰写了一篇论文。

• 研究持续六个月。
• 参与实验的AI交易机器人数量为三千五百个。
• 这些AI交易机器人的资金全部亏光。

对AI构建者而言，该实验提示基于AI的交易代理在真实或模拟市场中可能面临系统性亏损风险，部署前需谨慎评估。

Microsoft Research 推出 StudentSim，用模拟学生评估 AI 辅导

StudentSim 是一个研究系统，它从公开的去标识化学习记录中训练个性化的 AI 学生模拟器，用于在真实学习者测试之前评估和改进 AI 辅导工具。研究还提出 StudentSimEval 基准，覆盖国际象棋、第二语言英语写作和数学三个领域。

• 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。

对构建 AI 辅导工具的团队而言，StudentSim 提供了一种在昂贵的人类学习研究之前、基于真实学习记录生成可扩展反馈信号的方法。

CLEAT：为交互式智能体学习价值引导的澄清机制

论文提出 CLEAT 框架，通过共享交互结果联合训练澄清价值控制器与任务策略，并用残差查询价值衡量提问相对直接执行带来的任务效用增益。

• 论文用同一交互历史下的配对 rollout 估计残差查询价值，控制器预测澄清价值，任务策略据此选择问题并利用回答行动。
• 使用 Qwen3-4B 时，CLEAT 在四个基准的十个评测设置中均取得最高平均分。
• 论文报告在 UserGym Travel 上相对最强基线提升 13.2 个百分点，在 IN3 欠指定判断准确率上提升 6.5 个百分点。
• 消融实验显示，即使推理时移除控制器，联合训练仍能改善任务策略；让澄清引导适应不断演化的策略可带来进一步增益。

对构建交互式智能体的团队而言，该工作表明澄清提问的价值应随策略更新而重新估计，而非使用固定的提问启发式。

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。

这是一个值得继续观察的技术方向，目前不必急着行动。