FrontierSWE
PulseAugur coverage of FrontierSWE — every cluster mentioning FrontierSWE across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
MaxxBench 揭示编码AI难以应对需求变更
一项名为 MaxxBench 的新基准测试已被开发出来，用于评估前沿编码代理的适应性和泛化能力。MaxxBench 对现有任务进行微小变异，例如更改文件名约定或时区格式，以测试模型在处理可能已在其训练数据中出现过的需求修订时的表现。初步结果显示，在面对这些改编后的任务时，Claude Opus 5.5 和 Gemini 3.8 Flash 等领先模型的性能显著下降，与其在原始 DeepSWE 基准测试中的得分相比，它们在可靠处理变更方…
-
Google DeepMind 发布 Gemini 4 Carbon 用于网络安全和编码
Google DeepMind 推出了 Gemini 4 Carbon，这是一个专为高级网络安全防御和复杂编码任务设计的新前沿模型。据报道，该模型在几个关键基准测试中，特别是在漏洞查找、利用和修补方面，其表现优于其前身 Gemini 4 Argon 以及 GPT-6 Astra 和 Claude Opus 5.5 等其他领先模型。然而，目前 Gemini 4 Carbon 的访问权限仅限于选定的网络安全专业人士和受信任的合作伙伴，没有…
-
Spine运行时通过结构化子任务上下文改进AI编码代理
研究人员开发了Spine，这是一种新的运行时和接口，旨在通过结构化子任务上下文来管理长时程编码任务。与顺序历史记录或递归子代理委托不同，Spine根据子任务的嵌套和完成情况来组织交互，并即时编译上下文。这种方法可以保留未完成子任务的信息，同时用其结果替换已完成的任务，从而优化上下文的重用。当与Codex和Pi集成时，Spine在SWE-Milestone Score和ProgramBench等编码基准测试中表现出显著的改进，同时还降低了计算成本。
-
研究发现：无状态人工智能代理的表现优于具有大型上下文窗口的代理
斯坦福大学等高校的一篇新论文挑战了这样一个假设：更大的上下文窗口和更长的代理运行时间必然会带来更好的性能。研究发现，对于自动化研究系统而言，在调用之间不保留对话历史的代理表现最强。这种方法将代理状态与调用上下文分离开来，由一个中央控制器管理研究状态，并为无状态代理在每次任务中提供新鲜的、角色特定的上下文。此方法旨在防止重复工作和代理通过重播过去的结论而悄悄停止改进等问题。
-
inclusionAI发布Ling-3.1-flash，拥有560B参数和1M上下文窗口
inclusionAI发布了Ling-3.1-flash，这是一款先进的混合推理模型，拥有5600亿总参数和每个token250亿激活参数。该新模型在前代Ling-3.0-flash的基础上，通过增强其架构和提高在复杂现实世界任务上的性能。Ling-3.1-flash在通用代理、搜索、办公生产力和软件工程等领域展现出强大的能力，在GDPVal-AA v2.1和FrontierSWE等基准测试中取得了显著成果。
-
Moonshot推出Kimi K3，拥有2.8万亿参数和100万上下文窗口
Moonshot 推出了其 Kimi K3 模型，这是一个拥有 2.8 万亿参数的混合专家模型，上下文窗口超过 100 万个 token。该模型采用了新的 Kimi Delta Attention 机制，结合了线性注意力和全注意力层以提高效率。虽然 Moonshot 发布了令人印象深刻的演示和供应商运行的基准测试，但文章强调了区分这些与客观可验证的结构事实和独立的第三方信号的重要性。
-
Anthropic 的 Claude Fable 5.1 降低缓存成本但提高每任务价格
Anthropic 发布了 Claude Fable 5.1，其缓存读取成本显著降低了 75%，使得涉及重复上下文的任务成本更低。然而，由于更高的“努力”成本，每任务成本约增加了 20%，这在单次请求、高努力场景中占主导地位。这种定价结构意味着 Fable 5.1 对于长期运行的代理任务可能更经济，但对于高强度的单次请求则更昂贵，具体取决于工作负载。
-
新框架赋能 LLM 代理自主开发和改进软件
研究人员推出 Harness-of-Harness (HoH) 框架，旨在通过使基于 LLM 的编码代理能够持续改进软件来增强自主软件开发能力。HoH 将开发过程结构化为迭代的规划-编码-测试循环，平衡修复与能力增长，并将任务分解为小型、可验证的增量。在 GameCraft-Bench、FrontierSWE 和 ProgramBench 等基准测试中，HoH 表现出显著的性能提升，平均比独立 harness 提高了 52.25%。在…
-
Bespoke Labs 寻求研究员开发长期代理基准
Bespoke Labs 正在寻找一名研究员，为长期代理任务开发和评估强化学习环境和基准。该职位要求具备多步推理代理的实践经验，特别是提及对 SWE-bench 和 Gymnasium 等环境的贡献。该职位为远程合同，申请将根据长期代理工作的具体证据进行筛选。
-
中国 Z.ai 发布低成本 GLM 5.2，挑战美国 AI 模型主导地位
总部位于北京的 Z.ai 实验室发布了 GLM 5.2，这是一款开放权重 AI 模型，其成本远低于领先的美国前沿模型。虽然 GLM 5.2 的 API 成本仅为 Anthropic 的 Opus 4.8 和 Fable 等模型的一小部分，但其在编码和代理基准测试中的表现正在缩小与美国竞争对手的差距。这一发展挑战了一些 AI 工程师的成本节约习惯，并引发了美国 AI 公司对其保持竞争优势的担忧，尽管开放权重性质允许自托管以缓解数据隐私问题。
-
Moonshot AI 发布 Kimi K3，拥有 1M 上下文、开源权重和有竞争力的价格
Moonshot AI 发布了 Kimi K3，这是一个拥有约 2.8 万亿参数和 100 万 token 上下文窗口的开源权重模型。该模型在 Terminal-Bench 2.0、FrontierSWE 和 GPQA Diamond 等基准测试中取得了强劲的性能。值得注意的是，在 Arena 文本任务盲测中，Kimi K3 的排名高于 Claude 3 Opus，并在前端编码能力方面领先，超越了所有美国前沿模型。此次发布还具有每百万…
-
智谱AI发布拥有100万上下文窗口的GLM-5.2，挑战顶级闭源模型
智谱AI发布了GLM-5.2，这是一个拥有100万token上下文窗口的744B参数混合专家模型，并采用MIT许可协议发布权重。该模型在BenchLM排行榜上名列前茅，并在编码基准测试中表现强劲，使其成为可与Claude Opus 4.8和GPT-5.5等闭源模型相媲美的领先开源选项。然而，文章强调，尽管扩展的上下文窗口功能强大，但如果管理不当，可能会导致API成本显著增加，并敦促开发人员优化token使用。
-
中国的GLM-5.2在编码基准测试中挑战GPT-5.5和Claude Opus
智谱AI的GLM-5.2是中国的一款前沿模型，据报道在编码基准测试中表现强劲，超越了OpenAI的GPT-5.5和Anthropic的Claude Opus 4.7。在FrontierSWE基准测试中，GLM-5.2得分74.4%，略微落后于Claude Opus 4.8，但优于GPT-5.5。该模型在Terminal-Bench 2.1上也显示出显著的进步，并且在编码能力上与领先的专有模型相当，同时还提供了开源选项。
-
Z.ai发布GLM-5.2，为长上下文AI设定新的开源基准
Z.ai发布了GLM-5.2，一个具有100万token上下文窗口的开源语言模型，使其成为长时任务和编码基准的有力竞争者。该模型采用改进的架构，并引入了IndexShare以降低计算成本并增强推测解码。在各种编码和智能体基准测试中，GLM-5.2展示了与Anthropic的Opus系列和OpenAI的GPT-5.5等领先的专有模型相媲美的性能，成为同类产品中性能最佳的开源模型。