Tech Meridian ← К СУЩНОСТЯМ
PROМОЙ MERIDIAN EN

ТЕМА · ENTITY #15091

mini-SWE-agent

Хронология связанных событий, источники и контекст из новостной базы.

ХРОНОЛОГИЯ СОБЫТИЙ

4

RESEARCH · 1 ИСТОЧН. · The Decoder

Исследование: «харнессы» агентов увеличивают токен‑затраты, но редко повышают качество

Исследователи Шаньдунского университета (Лю и Хань) протестировали пять моделей с тремя готовыми «харнессами» (Claude Code, OpenCode, mini-SWE-agent) на SWE-bench Verified и пуле из 447 задач и выяснили, что замена харнесса почти не меняет результаты сверх случайного разброса, тогда как затраты токенов могут увеличиваться в три раза из‑за объёмных системных промптов и повторной передачи контекста. OpenCode отстаёт на большом пуле (частично из‑за ограничения вывода), а многие заявленные преимущества не превышают порогов статистической значимости.

7.0

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

ReuF2F: бенчмарк на Lean 4 из 244 открытых задач REU для кодирующих агентов

ReuF2F — новый бенчмарк на Lean 4 (arXiv:2610.27046v1) из 244 формализованных открытых задач, взятых из программ Research Experiences for Undergraduates (REU). Бенчмарк упаковывает каждую задачу и её логическое отрицание в проект Lean внутри Docker-контейнера, включает унифицированный тестовый каркас (Leanimum-agent на базе mini-SWE-agent) и показывает, что лучшая модель решает лишь ~40% задач.

7.0

RESEARCH · 1 ИСТОЧН. · Cohere

Исследование: делегирование этапов исследования и планирования позволяет командам агентов почти достичь предельной производительности при существенно меньших затратах

Контролируемое исследование команд кодирующих агентов показывает, что хорошо организованные многоагентные системы могут опережать одиночные агенты на ProgramBench примерно на 10 процентных пунктов, но обычно стоят в 3–7 раз дороже. Важно, что делегирование только этапов исследования и планирования может дать ту же производительность, что и делегирование планирования, реализации и верификации вместе, примерно за половину стоимости — например, лид Sol с 16 дешёвыми планировщиками Luna достиг 61.8% против 63.2% у команды только на Sol при снижении затрат с $510 до $155; работа также рассматривает последние крупные проекты с командами агентов (Claude, Cursor, Bun).

7.0

RESEARCH · 1 ИСТОЧН. · Microsoft Research

Microsoft Research Asia опубликовала Agent Lightning v1.0 — лёгкий фреймворк Harnessed Agentic RL

Microsoft Research Asia выпустила Agent Lightning v1.0 — примерно 3 500 строк открытого кода, реализующего парадигму Harnessed Agentic RL, где для обучения используется тот же агентный «harness», что и в деплое, через прокси LLM. Фреймворк поддерживает запуск агентов как Kubernetes‑job’ы, исключает необходимость переработки harness’а для тренировки и включает пример обучения кодирующего агента, поднявшего Pass@1 Qwen3.5-9B на SWE-bench Verified с 41.8% до 56.4% на ~6 000 образцах.

7.0