**SWE-Duel：面向编码智能体的自扩展竞技场**

_SWE-Duel: Towards a Self-Scaling Arena for Coding Agents_

> 针对静态基准易泄露和饱和的问题，SWE-Duel 提出一种自扩展评估机制，让编码智能体在评估时动态生成任务与测试。该竞技场采用红蓝对抗模式，红方在真实仓库中实现功能并植入隐蔽 Bug，蓝方负责审查修复。在 11 个模型、15 个仓库的 1500 轮测试中，GPT-5.5 凭借 98.3% 的修复率位居榜首，Claude Opus 4.8 则以 27.3% 的红方胜率成为最强任务作者。研究初步表明，任务难度随作者模型能力的提升而显著增加。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-10-12 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2610.12569)