Multi-SWE-bench – 字節(jié)豆包開源的多語言代碼修復(fù)基準

Multi-SWE-bench是字節(jié)跳動豆包大模型團隊推出的首個多語言代碼修復(fù)基準，旨在為全棧工程提供全面的評測標準。該基準在SWE-bench的基礎(chǔ)上，首次擴展至包括Python以外的七種主流編程語言，如Java、TypeScript、JavaScript、Go、Rust、C和C++。數(shù)據(jù)集中收錄了1632個真實的修復(fù)任務(wù)，均選自GitHub issue，經(jīng)過嚴格篩選和人工驗證，確保樣本具備明確的問題描述、正確的修復(fù)補丁以及可復(fù)現(xiàn)的測試環(huán)境。

Multi-SWE-bench是什么

Multi-SWE-bench是字節(jié)跳動豆包大模型團隊開源的多語言代碼修復(fù)基準，首次覆蓋了除Python外的七種流行編程語言，包括Java、TypeScript、JavaScript、Go、Rust、C和C++。該基準數(shù)據(jù)集包含1632個真實的修復(fù)任務(wù)，這些任務(wù)均來源于GitHub issue，經(jīng)過精心挑選與人工審核，確保每個樣本都有清晰的問題描述、有效的修復(fù)補丁和可復(fù)現(xiàn)的運行環(huán)境。同時，數(shù)據(jù)集引入了任務(wù)難度分級機制，涵蓋從簡單到復(fù)雜的各種開發(fā)挑戰(zhàn)。

主要功能

• 多語言代碼修復(fù)評估：Multi-SWE-bench作為業(yè)內(nèi)首個多語言代碼修復(fù)基準，首次涵蓋了七種主流編程語言，全面評估大模型在不同編程環(huán)境下的自動修復(fù)能力。
• 任務(wù)難度分級：該數(shù)據(jù)用了任務(wù)難度分級機制，將問題分為簡單、中等和困難三類。這種分級方式從一行修改到多文件、多步驟、多語義依賴的開發(fā)挑戰(zhàn)，能夠更系統(tǒng)地評估大模型在不同能力層次上的表現(xiàn)。
• 真實數(shù)據(jù)支持：Multi-SWE-bench的1632個實例全部源自真實的開源項目（GitHub issue），經(jīng)過統(tǒng)一的測試標準和專業(yè)開發(fā)者的審核，確保每個樣本具備清晰的問題描述、有效的修復(fù)補丁和可復(fù)現(xiàn)的測試環(huán)境，保證了數(shù)據(jù)集的質(zhì)量與實用性。

技術(shù)原理

• 數(shù)據(jù)來源與質(zhì)量控制：數(shù)據(jù)集中所有實例均來自真實的開源倉庫（GitHub issue），并經(jīng)過嚴格的五階段數(shù)據(jù)構(gòu)建流程：
  • 開源倉庫篩選：基于GitHub公開倉庫，從多個維度挑選高質(zhì)量項目。
  • 拉取請求爬取：收集與問題相關(guān)的拉取請求（PR），提取關(guān)鍵信息。
  • Docker環(huán)境構(gòu)建：為每個PR建立相應(yīng)的Docker容器，確保每個任務(wù)具備完整的可運行性。
  • PR過濾與驗證：通過三種狀態(tài)的測試流程（原始狀態(tài)、僅應(yīng)用測試補丁、同時應(yīng)用測試與修復(fù)補丁）來識別有效的修復(fù)行為。
  • 人工驗證：引入人工雙重標注過程，確保數(shù)據(jù)的可靠性與準確性。
• 強化學(xué)習(xí)支持：為了支持強化學(xué)習(xí)（RL）在代碼修復(fù)任務(wù)中的應(yīng)用，團隊開源了Multi-SWE-RL，社區(qū)提供4723個結(jié)構(gòu)化的訓(xùn)練樣本，每個樣本均配備可復(fù)現(xiàn)的Docker環(huán)境，支持一鍵啟動、自動評估和快速接入RL訓(xùn)練框架。這種“評估+訓(xùn)練”的雙輪驅(qū)動模式，為大模型的持續(xù)優(yōu)化提供了強有力的支持。

項目地址

• 項目官網(wǎng)：https://multi-swe-bench.github.io/#/
• Github倉庫：https://github.com/multi-swe-bench/multi-swe-bench
• HuggingFace數(shù)據(jù)集：https://huggingface.co/datasets/ByteDance-Seed/Multi-SWE-bench
• arXiv技術(shù)論文：https://arxiv.org/pdf/2504.02605

應(yīng)用場景

• 代碼修復(fù)自動化：開發(fā)者可以利用Multi-SWE-bench訓(xùn)練的模型自動識別并修復(fù)代碼中的Bug，從而減少人工調(diào)試的時間和精力。
• 模型性能評估與提升：該數(shù)據(jù)集為大模型提供了系統(tǒng)性的評測基準，幫助開發(fā)者和研究人員評估模型在不同編程語言和任務(wù)難度下的表現(xiàn)。
• 編程語言比較研究：通過分析不同編程語言下的Bug修復(fù)能力，研究人員能夠深入探討各語言的優(yōu)缺點。
• 智能學(xué)習(xí)與教育：Multi-SWE-bench為開發(fā)者和學(xué)習(xí)者提供了一個學(xué)習(xí)與提升的平臺，幫助其更好地理解不同編程語言中的常見錯誤及修復(fù)方法，提升編程能力和問題解決能力。

常見問題

• Multi-SWE-bench的主要目標是什么？
  主要目標在于提供一個多語言的代碼修復(fù)評測基準，幫助評估和提升大模型在代碼修復(fù)任務(wù)中的性能。
• 數(shù)據(jù)集中包含哪些語言？
  數(shù)據(jù)集覆蓋了八種編程語言，包括Python、Java、TypeScript、JavaScript、Go、Rust、C和C++。
• 如何獲取Multi-SWE-bench的資源？
  用戶可以訪問項目官網(wǎng)、GitHub倉庫以及HuggingFace數(shù)據(jù)集頁面獲取相關(guān)資源和數(shù)據(jù)。