企业官网建设流程全解析

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-bench

SWE-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 bug：demo 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