新闻详情

新闻详情

首页 / 资讯中心 / 详情

SWE-bench 快速上手指南:用真实 GitHub Issue 评测大模型的编程能力

发布时间:2026/11/16 19:35:55来源:尧图网络
SWE-bench 快速上手指南:用真实 GitHub Issue 评测大模型的编程能力
SWE-bench 快速上手指南用真实 GitHub Issue 评测大模型的编程能力【免费下载链接】SWE-benchSWE-bench: Can Language Models Resolve Real-world Github Issues?项目地址: https://gitcode.com/GitHub_Trending/sw/SWE-benchSWE-bench 是用真实 GitHub Issue 考察大模型软件工程能力的评测基准给它一个仓库和一个 issue模型需要产出能修好它的补丁评测器再在容器里跑测试给出可复现的客观分数。演示很聪明上线就翻车你让新接入的编码助手修一个真实 bugdemo 里写得很漂亮合进主干后既有测试却挂了三个。没有客观数据谁更强只能靠感觉和宣传。这正是 SWE-bench 要回答的问题——模型在真实代码库上到底能不能修好真实的 issue且不误伤别的测试它解决什么不解决什么SWE-bench 解决一件事给 LLM 的读题—改码—过测试能力打分题库来自 GitHub 上的真实 issue 与 PR。它不解决另外几件事不是代码补全或算法题评测不替代你项目里的 CI 测试体系也不会替你修 bug——它只负责考模型负责答。SWE-bench 评测机制容器化三步走每个任务实例都带齐五样东西仓库与base_commit、issue 描述、参考补丁gold patch、测试补丁以及FAIL_TO_PASS/PASS_TO_PASS两组测试名。这是判断修好了的依据前者必须从失败变通过后者必须保持通过。第一步为实例构建专属 Docker 镜像镜像构建逻辑在 swebench/image_builder/把仓库固定在出 bug 的那个 commit 上保证每次评测都在同一环境里进行消除机器差异。第二步应用补丁并运行测试容器里先应用测试补丁再打上模型生成的model_patch随后运行测试脚本并解析输出各语言的解析器位于swebench/harness/log_parsers/。两组测试都满足才算 resolved结果按run_id和instance_id缓存。SWE-bench 快速上手跑通你的第一次评测先装好 Docker再安装项目并做环境自检git clone https://gitcode.com/GitHub_Trending/sw/SWE-bench cd SWE-bench pip install -e . # 用官方参考补丁gold验证环境只跑 1 个实例 python -m swebench.harness.run_evaluation \ --max_workers 1 \ --instance_ids sympy__sympy-20590 \ --predictions_path gold \ --run_id validate-gold跑通后你会看到logs/下出现镜像构建与评测日志evaluation_results/里是最终结果sympy 这个实例应显示为 resolved。这条 gold 验证是后续一切自定义评测的前置检查环境不对先别怪模型。适用人群与使用边界适合需要在多个编码模型或助手之间做客观对比、验证微调效果、或把评测接入流水线的团队。不适合机器不满足官方建议至少 120GB 磁盘、16GB 内存、8 核 CPU 的 x86_64 环境只关心代码补全质量的场景或者不想碰 Docker 的人——整个评测流程都跑在容器里--max_workers建议取min(0.75 * cpu_count, 24)。数据集可按需求挑full 全量 2,294 实例、lite 534 实例快速迭代、verified 500 个经工程师确认可解的实例另有含截图的多模态版与覆盖 9 种语言、300 实例的多语言版对照见 docs/guides/datasets.md。进阶玩法生成预测与离线复判有了预测文件每行含instance_id、model_patch的 JSONL即可正式评测也可以直接用内置 agent 生成预测或基于已存日志重新打分不用重起容器swebench infer verified -m gpt-5 -o preds -w 8 # 用 mini-SWE-agent 生成预测 swebench report run_id # 基于已存日志重新判定想把结果提交到排行榜走swebench submit package / publish / register三步即可想给自己的仓库造新任务swebench/collect/ 开源了完整的数据收集管线见 docs/guides/collection.md。回到开头的问题助手修完 bug 后既有测试挂了现在你有一条可量化的路。先用 gold 验证确认环境正确再用同一套命令评自己的模型。分数背后是真实 issue 和真实测试选型不用再凭感觉。【免费下载链接】SWE-benchSWE-bench: Can Language Models Resolve Real-world Github Issues?项目地址: https://gitcode.com/GitHub_Trending/sw/SWE-bench创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/16 19:23:38

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/16 6:47:19

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/16 17:28:18

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉