🔥 今日值得一读
GPT-5.5修复98.3%缺陷登顶，SWE-Duel自缩放竞技场1500回合实测11个模型！
SWE-Duel: Towards a Self-Scaling Arena for Coding Agents
📖 AI 总结
这篇论文提出 SWE-Duel，一个面向编程智能体的自扩展评测竞技场，旨在解决静态基准任务易泄漏、易被更强模型饱和的问题。其核心机制是让两个编程智能体以红蓝对抗方式互相出题与解题：红方在真实代码仓库中实现新功能并植入隐蔽缺陷，只有同时满足通过功能测试与既有测试、恰好触发缺陷测试，且同一智能体能在盲测下修复缺陷，该任务才被采纳；蓝方则在不知情的前提下审查并修复。研究在五种语言的15个仓库上进行了1500轮、11个模型-工具组合的锦标赛。结果显示，GPT-5.5配合Codex CLI以98.3%的缺陷修复率成为最强解题者，Claude Opus 4.8配合mini-swe-agent以27.3%的红方胜率成为最强出题者；同一模型家族中，新版本生成的任务击败固定参考解题者的比例远高于旧版本（42.9%对4.0%），初步表明任务难度会随出题能力提升而扩展。
🔑 关键词速览
| SWE-Duel | 一种自缩放编码智能体竞技场，通过红蓝双方相互出题与解题来动态评估能力。 |
| 自缩放基准 | 任务和判定标准在评估时动态生成，避免数据泄漏且难度随参与智能体能力自动调整的基准。 |
| 红蓝回合 | 红方智能体负责编写含隐蔽错误的任务，蓝方智能体负责审查并修复，双方交替角色的对抗机制。 |
| 上下文隔离会话 | 智能体在独立、无历史信息干扰的会话中执行任务，确保评估的公平性和盲测性。 |
| 任务编写能力 | 智能体设计具有挑战性且可解任务的能力，其水平影响生成任务的难度。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅