11B参数跑出frontier级Agent智能，Coding Agent评测该换赛道了

重点关注

01 Agent 11B活跃参数就能跑frontier级Agent任务，效率边界被重新定义

部署复杂Agent最头疼的不是模型不够聪明，是推理成本太高——多轮交互、工具调用、代码执行，每一步都在烧token。Step 3.5 Flash用196B参数的MoE架构配合仅11B的活跃参数量，把frontier级Agent智能压进了可实际部署的成本区间。技术上有两个关键设计：3:1交替的滑动窗口/全注意力降低多轮交互的延迟，Multi-Token Prediction一次预测3个token加速生成；训练上用可验证信号+偏好反馈的混合RL框架，在大规模off-policy训练下保持稳定自我改进。硬指标：IMO-AnswerBench 85.4%，LiveCodeBench-v6 86.4%，tau2-Bench 88.2%，对标GPT-5.2 xHigh和Gemini 3.0 Pro。对做Agent产品的团队来说，这意味着「frontier级能力」和「可承受的推理成本」终于不再互斥。

原文：Step 3.5 Flash: Open Frontier-Level Intelligence with 11B Active Parameters

02 代码智能 能修bug的Coding Agent就能开发功能吗？差远了

SWE-bench上74%的解题率听起来很厉害，但它测的基本是「给你一个PR里的bug，修好它」——任务边界清晰，改动范围有限。真实的功能开发是另一回事：横跨多个commit、涉及多个文件的依赖关系、还得保证其他功能不被破坏。FeatureBench（ICLR 2026）专门测这个。它从真实代码仓库的单元测试出发，沿着依赖图追踪出跨越多个commit和PR的功能级任务，200道题全部有可执行的测试环境。结果很扎眼：SWE-bench上74.4%的Claude 4.5 Opus，在FeatureBench上只做到11.0%。更实用的是这套任务生成工具是自动化的，可以持续从新仓库中构建新任务，天然抗数据泄露。

原文：FeatureBench: Benchmarking Agentic Coding for Complex Feature Development

03 多模态 流式语音识别不用牺牲质量了

语音转文字一直有个两难：要实时就得分块送入离线模型（质量打折扣），要高质量就得等音频录完再处理。Voxtral Realtime是Mistral做的原生流式ASR模型，不是把离线模型切小块塞进来，而是端到端训练音频流和文本流之间的对齐。架构基于Delayed Streams Modeling框架，新引入因果音频编码器和Ada RMS-Norm来处理延迟条件化，预训练覆盖13种语言。核心结果：480ms延迟下达到Whisper级别的转录质量，Apache 2.0协议开源。对做语音应用的团队来说，这直接解决了「实时性和准确性只能选一个」的老问题。

原文：Voxtral Realtime

04 推理 长上下文Agent最该学的一件事：知道什么时候该停

长上下文推理的Agent需要逐段处理信息并维护记忆，但朴素的循环记忆有两个致命问题：看到无关内容也往里塞导致记忆爆炸，以及找到答案后还在继续循环浪费算力。GRU-Mem借鉴GRU（门控循环单元）的思路，给文本记忆加了两道门——「更新门」控制什么时候更新记忆（遇到无证据的文本块就跳过），「退出门」控制什么时候结束循环（证据收集够了立刻停止）。两个门的行为通过端到端RL的专用reward信号来学习。效果是在多个长上下文推理任务上全面超越MemAgent，推理速度最高提升400%。

原文：When to Memorize and When to Stop: Gated Recurrent Memory for Long-Context Reasoning