一句话看懂：Hugging Face Papers 收录的一篇论文摘要提出 SWE-Duel，让两个代码智能体通过红蓝互评动态生成任务与判定标准，试图缓解静态编程基准被训练数据泄漏和饱和的问题。目前公开信息仅来自摘要，尚不代表已上线产品。
事件核心：发生了什么
论文摘要显示，SWE-Duel 的机制是让两个代码智能体进行镜像式的红蓝回合：Red 方在真实代码仓库中跨三个隔离会话提出并实现新功能，同时埋入一个隐蔽缺陷和只触发该缺陷的密封测试；只有当该提交通过功能测试与仓库原有测试、且恰好失败于缺陷测试，并且同一智能体的新会话能在不看答案的情况下修好缺陷，这个任务才被采纳。随后 Blue 方在不知有缺陷的前提下审查代码，只有修订版同时通过三套测试才获胜，之后双方交换角色。
论文称，该实验在 5 种语言的 15 个仓库上运行了 1500 个回合，共有 11 个“模型-工具”组合参赛。摘要给出的结果显示：使用 Codex CLI 的 GPT-5.5 排名第一，作为解题方修复了其审查缺陷中的 98.3%；使用 mini-swe-agent 的 Claude Opus 4.8 排名第二，作为出题方取得 27.3% 的 Red 方胜率。同一模型家族内，新版本写出的任务让固定参考解题方失败的比例为 42.9%，而旧版本仅 4.0%。
为什么重要
静态编程基准在发布时就固定下来，随着时间推移可能被训练数据吸收，强模型也会逐渐“刷满”。SWE-Duel 的思路是把任务和判定放到评测时生成，并让参赛智能体的能力决定难度，减少内容提前泄漏的空间。摘要中“同一家族新版本出题更难”的初步证据，意味着代码智能体的能力评估可能从“解题”扩展到“出题与评审”，这对大模型编程评测、开源与闭源模型的竞争叙事都有参考价值。
对用户/开发者/创作者的影响
对开发者而言，如果这类互评机制被后续工作验证，未来可能出现更贴近真实仓库协作的代码智能体测试方式，而不是只比刷题分数。对使用 AI 编程工具的用户，选型时除了看模型解题通过率，也可能要看它发现和修复隐蔽缺陷的能力。对企业采购来说，目前公开信息不足以支撑把 SWE-Duel 当作采购标准；它仍是一篇论文摘要描述的评测方法，而非公开榜单或 API 产品。创作者和开源维护者则可关注其“真实仓库 + 功能测试 + 缺陷测试”的构造方式，是否会被用于社区贡献审查或自动化测试生成。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是论文全文是否公开，能否核验 1500 回合实验的完整细节与可复现性；二是 SWE-Duel 是否会从论文方法演化为公开排行榜或持续评测平台，以及参赛模型和工具组合是否更新；三是“出题能力随模型版本提升”的结论能否在更多模型家族和仓库上复现，若成立，评测难度自扩展可能成为代码智能体基准的新方向。
