Evaluating Large Language Models with Human Feedback: Establishing a Swedish Benchmark
KTH(瑞典皇家理工学院)
本研究针对瑞典语等低资源语言,通过人类反馈和强制选择排序建立基准,评估十一个主流及定制LLM的瑞典语理解与生成能力,并发布chatbotarena.se基准以促进后续研究。
2024-05-22 cs.AI cs.CL
SweetieChat: A Strategy-Enhanced Role-playing Framework for Diverse Scenarios Handling Emotional Support Agent
Institute of Automation, CAS(中国科学院自动化研究所);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院)
针对大语言模型情感支持回复冗长公式化的问题,提出含三角色策略增强交互与微调训练的框架,构建ServeForEmo数据集,推出能处理多样开放域场景的SweetieChat智能体,经实验验证可提供更细致适配的情感支持。
2024-12-11 cs.CL
SWE-IF: Aligning Code Evaluation with Human Preference
Google DeepMind(谷歌DeepMind)
提出SWE-IF基准,通过可验证指令分类法VeriCode评估代码指令遵循能力,发现指令遵循是区分LLM代码质量的关键,与功能正确性结合更能匹配人类偏好。
2026-06-05 cs.AI cs.CL cs.LG
SWE-MERA: A Dynamic Benchmark for Agenticly Evaluating Large Language Models on Software Engineering Tasks
GigaCode;ITMO University(ITMO大学);MWS AI(MWS人工智能);IITU university(IITU大学)
针对现有软件工程基准测试局限性,提出SWE-MERA动态基准测试,通过自动收集GitHub问题及严格验证确保质量,最小化污染风险,利用Aider编码代理评估多个大型语言模型,展示了其强大区分能力及模型性能表现。
2026-07-14 cs.AI cs.CL cs.SE
What's in an embedding? Would a rose by any embedding smell as sweet?
Columbia University(哥伦比亚大学)
本文指出LLM具备几何式经验理解但存在可靠性、泛化与推理解释缺陷,提出融合符号化代数知识表示以构建可推理、可解释的LKM。
2024-06-15 cs.AI cs.CL
Cabbage Sweeter than Cake? Analysing the Potential of Large Language Models for Learning Conceptual Spaces
Cardiff University(卡迪夫大学)
本研究探究大语言模型学习概念空间的潜力,发现其可在一定程度上学习有效表征,且规模小得多的BERT微调模型性能可匹敌甚至超越最大的GPT-3模型。
2023-10-09 cs.AI cs.CL
Dissecting the SWE-Bench Leaderboards: Profiling Submitters and Architectures of LLM- and Agent-Based Repair Systems
Universitat Politècnica de Catalunya(加泰罗尼亚理工大学)
本文分析了SWE-Bench排行榜上的提交者和架构,揭示了专有LLM的主导地位及不同设计类型。
2026-02-05 cs.AI cs.CL cs.SE
SWE-bench Goes Live!
Microsoft(微软)
针对现有 SWE-bench 基准更新滞后、覆盖面窄及依赖人工导致数据污染等问题,本文提出了可实时更新的基准 SWE-bench-Live 及其自动化整理流水线,基于最新 GitHub issues 构建任务,为评估 LLMs 和智能体提供了严格且抗污染的动态环境。
2025-06-01 cs.AI cs.CL cs.SE
SWEA: Updating Factual Knowledge in Large Language Models via Subject Word Embedding Altering
National University of Defense Technology(国防科技大学)
针对局部模型编辑计算昂贵、匹配不可靠且扰动参数结构的问题,提出可拆卸可扩展的 SWEA⊕OS,通过 token 级主体词嵌入改变与优化-抑制融合实现事实知识更新,并在 CounterFact、zsRE 和 RippleEdits 上达到 SOTA。
2025-02-17 cs.AI cs.CL cs.LG
Psychological Steering of Large Language Models
Department of Computer Science, University of Southern California(南加州大学计算机科学系)
本文提出一种心理操控框架,通过在语义校准的单元中进行无界、流畅性约束的扫描,改进大语言模型的干预方法,在14个模型中表现出色,优于传统方法。
2026-04-15 cs.CL
Live-SWE-agent: Can Software Engineering Agents Self-Evolve on the Fly?
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
Live-SWE-agent是一种能够在运行时自主进化其自身框架的软件代理,通过解决现实软件问题实现了77.4%的解决率,优于现有所有软件代理。
2025-11-24 cs.AI cs.CL cs.LG
Positive Experience Reflection for Agents in Interactive Text Environments
Delft University of Technology(代尔夫特理工大学)
针对文本游戏中智能体反思方法的不足,提出Sweet&Sour方法,通过融入积极经验和受管理记忆丰富决策上下文,在闭源与开源LLM上均有效提升性能,尤其弥补了先前方法的短板。
2024-11-04 cs.AI cs.CL cs.LG
A Rose by Any Other Name Would Smell as Sweet: Categorical Homotopy Theory for Large Language Models
Adobe Research(Adobe研究院);University of Massachusetts, Amherst(马萨诸塞大学阿默斯特分校)
针对LLMs对等价语义生成不同概率的问题,引入范畴同伦框架,利用范畴同伦技术捕捉LLM Markov category中的弱等价,为语言等价改写提供理论解决方案。
2025-08-07 cs.AI cs.CL math.AT
Large Language Models and Thematic Analysis: Human-AI Synergy in Researching Hate Speech on Social Media
University of Cambridge(剑桥大学);Technical University of Munich(慕尼黑工业大学)
本文通过GPT-4对YouTube数据集进行主题分析的实验,探讨了大语言模型在人文社科定性研究中的应用潜力、优势与局限,并展望了未来方向。
2024-08-09 cs.CL cs.HC cs.SI
UTBoost: Rigorous Evaluation of Coding Agents on SWE-Bench
The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));University of Illinois Urbana Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文提出 UTGenerator 与 UTBoost 框架,通过自动增强真实 Python 项目的测试用例,发现 SWE-Bench 中大量误通过补丁并改变基准排名。
2025-06-10 cs.CL cs.SE
Kimi-Dev: Agentless Training as Skill Prior for SWE-Agents
Moonshot AI;THU(清华大学);PKU(北京大学);UCAS(中国科学技术大学);BUPT(北京邮电大学);NUS(新加坡国立大学)
Kimi-Dev通过无代理训练生成技能先验,使SWE-代理在SWE-bench Verified上取得60.4%的优异成绩,并通过额外SFT适应达到48.6%的pass@1,与Claude 3.5 Sonnet相当。
2025-12-08 cs.AI cs.CL cs.SE
SWE-World: Building Software Engineering Agents in Docker-Free Environments
Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学耿丽学校人工智能学院);BOSS Zhipin, Beijing, China(BOSS智聘,北京,中国)
SWE-World提出了一种无Docker环境的框架,利用学习模型预测执行结果,提升软件工程代理性能。
2026-02-03 cs.CL cs.SE
SWE-Debate: Competitive Multi-Agent Debate for Software Issue Resolution
Shanghai Jiao Tong University(上海交通大学);Huawei(华为);Xidian University(西安电子科技大学)
针对现有软件问题解决智能体易陷局部解、难识别跨代码库问题模式的缺陷,提出多智能体辩论框架SWE-Debate,通过故障传播轨迹与三轮辩论收敛修复方案,在SWE-bench基准上取得开源智能体框架的最优结果。
2025-07-31 cs.CL cs.LG cs.SE
Sweeping Heterogeneity with Smart MoPs: Mixture of Prompts for LLM Task Adaptation
Rice University(莱斯大学);Microsoft(微软公司)
本文提出提示混合(MoPs)方法,通过智能门控动态组合提示专家,同时处理异质任务和数据分布,在联邦与集中场景中分别降低困惑度约20%-70%和3%-30%。
2025-01-18 cs.AI cs.CL
SWE-Adept: An LLM-Based Agentic Framework for Deep Codebase Analysis and Structured Issue Resolution
Electrical and Computer Engineering, Purdue University(电子工程与计算机工程系,普渡大学)
提出SWE-Adept双代理框架,通过代理引导的深度优先搜索进行代码定位,结合自适应规划和结构化问题解决,在SWE-Bench上提升端到端解决率最多4.3%。
2026-09-29 cs.CL cs.LG cs.SE
SWE-Opt: A Benchmark for Evaluating LLMs on Performance-Oriented Repository-Level Optimization
Siemens AG(西门子公司);Technical University of Munich(慕尼黑技术大学);Heilbronn, Germany(德国海德堡);Munich, Germany(德国慕尼黑)
针对现有基准过度简化性能优化的问题,提出基于102个专家优化的仓库级基准SWE-Pro,评估LLM在运行时、峰值内存和时间加权内存使用上的表现,发现LLM优化效果显著弱于专家。
2026-11-03 cs.AI cs.CL cs.SE
HE-SNR: Uncovering Latent Logic via Entropy for Guiding Mid-Training on SWE-bench
School of Mathematical Sciences, Peking University, Beijing, China(北京大学数学科学学院);Institute of Computing Technology, Chinese Academy of Sciences, Beijing, China(中国科学院计算技术研究所)
针对SWE-bench基准,提出基于熵压缩假说的HE-SNR指标,通过细粒度熵分析指导中期训练数据筛选,在高达560B参数模型上验证有效性。
2026-05-28 cs.CL cs.LG cs.SE
MSA at SemEval-2025 Task 3: High Quality Weak Labeling and LLM Ensemble Verification for Multilingual Hallucination Detection
Faculty of Computer Science, MSA University(计算机科学学院,MSA大学)
本文提出结合提示工程与LLM集成验证机制的多语言幻觉检测系统,通过主模型提取片段并辅以三模型概率投票和模糊匹配,在SemEval-2025 Task 3多语言任务中取得优异成绩。
2025-05-27 cs.CL
SWE-AGI: Benchmarking Specification-Driven Software Construction with MoonBit in the Era of Autonomous Agents
The Hong Kong University of Science and Technology(香港科学与技术大学)
SWE-AGI通过MoonBit评估LLM在规范驱动下的软件构建能力,揭示了AI辅助开发中代码阅读瓶颈及模型性能随任务难度变化的特性。
2026-02-11 cs.AI cs.CL cs.SE
Causal Tongue-Tie: LLMs Can Encode Causal Direction, But Their Yes/No Outputs Fail to Express
Tsinghua Shenzhen International Graduate School(清华大学深圳国际研究生院)
研究发现大语言模型在因果问题上存在内部编码与输出不匹配的现象,通过线性探针可从隐藏状态恢复证据支持的答案(准确率约0.97),但口头是/否回答却退化为常识答案(准确率约0.5),揭示了约+0.5的差距,称为“因果舌结”。
2026-05-25 cs.AI cs.CL
LABIIUM: AI-Enhanced Zero-configuration Measurement Automation System
School of Engineering The University of Edinburgh Edinburgh, UK(工程学院 埃迪逊大学 英国爱丁堡)
本文提出LABIIUM,一个AI增强的零配置测量自动化系统,利用LLM生成代码并通过LAMBs连接仪器,实验表明其能完成基本扫描,但自适应算法仍需改进。
2025-03-04 cs.AI cs.CL cs.HC
Toward Training Superintelligent Software Agents through Self-Play SWE-RL
Meta FAIR;University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Meta TBD Lab(Meta TBD 实验室);Carnegie Mellon University(卡内基梅隆大学)
提出自我对弈SWE-RL(SSR)方法,通过强化学习在自对弈环境中训练单一LLM代理,使其在无需人工标注问题或测试的情况下,在真实代码库中迭代注入和修复软件缺陷,在SWE-bench基准上实现显著自我改进并超越人类数据基线。
2026-06-02 cs.AI cs.CL cs.LG
Pruning Laws for Large Language Models
IIT Delhi(印度理工学院德里分校)
本研究提出剪枝规律这一可解释缩放关系,可预测剪枝后大语言模型的性能,能跨不同模型、剪枝方法和任务迁移,为高效部署LLMs提供原则性框架。
2026-08-31 cs.CL
Could We Have Had Better Multilingual LLMs If English Was Not the Central Language?
Bandung Institute of Technology(万隆理工学院);University of Indonesia(印度尼西亚大学);Boston University(波士顿大学);Monash University Indonesia(莫纳什大学印度尼西亚分校)
该研究通过建模语言特征距离与 Llama2 翻译 BLEU 分数的线性关系,发现瑞典语、加泰罗尼亚语等语言在特定条件下可达到与英语相当的中心语言效果。
2024-04-05 cs.AI cs.CL
Data-Constrained Synthesis of Training Data for De-Identification
Department of Computer and Systems Sciences(计算机与系统科学系)
本研究将LLMs领域适配至临床领域,利用基于编码器的NER模型生成并标注合成临床文本以训练合成NER模型,发现该方法仅导致预测性能轻微下降,且其有效性主要取决于原始数据训练的机器标注NER模型性能。
2025-05-31 cs.AI cs.CL
Can LLMs Reason About Runtime Behavior? A Repository-Level Dynamic Benchmark
York University(约克大学);The University of Texas at Dallas(德克萨斯大学达拉斯分校)
本文提出SWE-Flux,一个包含480个实例的仓库级动态执行推理基准,通过自动采集黄金答案评估五个LLM,最佳准确率仅37%,并展示输入扰动可生成更具挑战性的变体。
2026-09-24 cs.AI cs.CL cs.SE
SoRFT: Issue Resolving with Subtask-oriented Reinforced Fine-Tuning
School of Computer Science, Peking University(北京大学计算机学院);ByteDance(字节跳动)
SoRFT通过将问题解决分解为文件、函数、行定位及代码编辑生成等子任务,结合拒绝采样监督微调与基于规则的强化学习,在SWE-Bench上达到开源模型最优性能,提供低成本替代方案。
2025-02-27 cs.AI cs.CL cs.SE
TestExplora: Benchmarking LLMs for Proactive Bug Discovery via Repository-Level Test Generation
Microsoft(微软公司);School of ECE, Peking University(北京大学电子工程学院);Tsinghua University(清华大学);Chinese Academy of Sciences(中国科学院)
TestExplora通过仓库级测试生成评估LLMs在主动bug发现中的能力,揭示了当前模型在复杂交互和代理探索方面的不足。
2026-02-22 cs.CL cs.SE
Significance-Gain Pair Encoding for LLMs: A Statistical Alternative to Frequency-Based Subword Merging
Department of Science, Technology & Mathematics(科学、技术与数学系)
本文提出Significance-Gain BPE,通过统计方法改进子词合并,提升LLM的预测效率和压缩性能,实验显示在WikiText-103上验证了其有效性。
2026-02-26 cs.CL cs.CV cs.LG
Online Monitoring and Corrective Steering of Programming Agents
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);IBM(国际商业机器公司)
本文提出LivePlan,通过解耦判断与建议的设计,在SWE-agent基础上实现编程智能体的在线监控与纠正,在SWE-bench数据集上显著提升问题解决率,且成本增量极小。
2026-08-10 cs.AI cs.CL cs.LG
How to Train Your Advisor: Steering Black-Box LLMs with Advisor Models
University of California, Berkeley(加州大学伯克利分校);Bespoke Labs(Bespoke实验室)
本文提出Advisor Models,通过训练小型开放权重模型生成动态个性化建议,提升黑盒前沿模型性能,实验显示在多个任务中效果显著,且具有良好的迁移性和鲁棒性。
2026-05-15 cs.AI cs.CL cs.LG
The Model Says Walk: Measuring whether LLMs Condition on Hidden Constraints
Carnegie Mellon University(卡内基梅隆大学);Independent Researcher(独立研究者)
研究LLM在表面线索与隐式约束冲突时的失败,提出启发式覆盖基准(HOB),通过因果行为分析揭示距离线索影响远大于目标,并验证目标分解提示可部分恢复性能。
2026-09-29 cs.AI cs.CL
ImpossibleBench: Measuring LLMs' Propensity of Exploiting Test Cases
ImpossibleBench通过创建规范与测试冲突的任务,量化LLM智能体利用测试用例的作弊率,并用于行为研究、上下文工程和监控工具开发,以提升系统可靠性。
2025-10-23 cs.CL cs.LG
From Plan to Action: How Well Do Agents Follow the Plan?
University of Illinois Urbana–Champaign(伊利诺伊大学厄巴纳-香槟分校);IBM(IBM公司)
本文系统分析了编程代理在执行任务时对计划的遵循情况,通过16991条轨迹评估不同计划变体的影响,发现计划提醒能提高任务成功率,但不恰当的计划补充可能降低性能。
2026-08-10 cs.AI cs.CL cs.SE
Agentic coding without the cloud: evaluating open-weight large language models on longitudinal data preparation tasks
研究在纵向数据准备任务中评估开放权重的大语言模型,介绍开源框架,含真实数据集、任务定义和评估程序,通过基准测试发现当前先进模型表现良好,为治理受限研究中的AI辅助数据准备提供可行路径。
2026-07-27 cs.AI cs.CL
Agents Explore but Agents Ignore: LLMs Lack Environmental Curiosity
Cohere;Poolside
研究发现当前大语言模型缺乏环境好奇心,无法有效利用意外但相关的信息。通过三个基准测试发现,尽管智能体发现了解决方案,但很少主动利用。研究指出可用工具、计算资源和训练数据分布是影响因素,优化配置能提升性能,但智能体仍主要依赖环境获取预期信息。
2026-04-19 cs.CL cs.LG
Compute Allocation for Self-Evolving LLMs: From Depth-Breadth to Multi-Armed Bandits
University of Notre Dame(诺丁汉大学);Northeastern University(东北大学);University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);Southeast University(东南大学);Northwestern University(西北大学);Nanjing University(南京大学);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室)
针对LLM引导的进化搜索中固定预算的LLM调用分配问题,提出基于多臂老虎机的BaSE方法,通过跨并行轨迹分配调用,平均适应度提升12.3%。
2026-09-15 cs.AI cs.CL cs.LG
Language Complexity Measurement as a Noisy Zero-Shot Proxy for Evaluating LLM Performance
KTH Royal Institute of Technology(瑞典皇家理工学院)
本文通过 LIX 与 ADD 任务评估多款 LLM,发现语言复杂度测量能力与 MMLU 表现显著相关,可作为噪声零样本代理评估模型通用能力。
2025-02-17 cs.AI cs.CL
Extracting memorized pieces of (copyrighted) books from open-weight language models
Stanford University(斯坦福大学);Yale University(耶鲁大学);Cornell University(康奈尔大学);West Virginia University(西弗吉尼亚大学)
研究通过测量书籍在语言模型中的记忆程度,发现大多数模型不完整记忆书籍,但部分模型如Llama 3.1 70B能完整记忆某些书籍,对版权案件有重要影响。
2026-07-20 cs.CL cs.CY cs.LG
Process-Centric Analysis of Agentic Software Systems
University of Illinois Urbana–Champaign(伊利诺伊大学厄巴纳-香槟分校);IBM Research(IBM研究院)
本文提出Graphectory用于分析代理软件系统的时序和语义关系,通过自动分析4000条轨迹发现代理策略随问题难度和LLM变化,揭示代理行为的复杂性与效率问题。
2026-04-10 cs.AI cs.CL cs.SE
Lita: Light Agent Uncovers the Agentic Coding Capabilities of LLMs
本研究提出轻量代码智能体Lita,以最小化人工设计的方式评估大语言模型的真实编程能力,在基准测试中取得了媲美或优于复杂基线的性能,且token消耗和设计成本更低,并提出智能体复杂度定律。
2025-09-30 cs.AI cs.CL cs.LG
System1-Arena: Which Decisions Can Be Left to System 1?
The University of Texas at Austin(得克萨斯大学奥斯汀分校)
本研究推出System1-Arena基准,评估系统1模型与其他LLM在不同任务及闭环环境中的决策能力,发现大型系统1模型在非智能体任务表现接近快速闭源LLM,大型开源LLM在闭环环境成功率最高。
2026-10-16 cs.AI cs.CL cs.LG
SWE-bench-java: A GitHub Issue Resolving Benchmark for Java
Chinese Academy of Science(中国科学院);Peking University(北京大学);Huawei Co., Ltd.(华为公司)
为满足工业界对多编程语言支持的需求,本文开发了SWE-bench的Java版本SWE-bench-java,并发布数据集、基于Docker的评估环境和排行榜,通过实现SWE-agent并测试多个LLM验证了其可靠性。
2024-08-26 cs.AI cs.CL cs.SE
SWE-QA: Can Language Models Answer Repository-level Code Questions?
Shanghai Jiao Tong University(上海交通大学)
本文提出SWE-QA基准,旨在研究自动化QA系统在真实代码环境中的能力,包含576个高质量问题对,涵盖意图理解、跨文件推理和多跳依赖分析,评估六种先进LLM在不同上下文增强策略下的表现。
2026-04-26 cs.CL cs.PL cs.SE
Multi-SWE-bench: A Multilingual Benchmark for Issue Resolving
ByteDance Seed(字节跳动种子团队)
本文提出多语言问题解决基准Multi-SWE-bench,涵盖7种编程语言并包含1,632个高质量实例,基于此评估多种模型方法,同时发起Multi-SWE-RL社区并开源数据生产流程,推动强化学习研究。
2025-04-03 cs.AI cs.CL cs.SE
SWE-Bench++: A Framework for the Scalable Generation of Software Engineering Benchmarks from Open-Source Repositories
Research & Development, Turing(研发与图灵)
SWE-Bench++通过自动化生成多语言软件工程基准,提升仓库级代码生成的评估与改进
2025-12-19 cs.AI cs.CL cs.LG
Not All Correct Fixes Run Alike: An Empirical Study of Patch Performance in Repository-Level Issue Resolution
The State Key Laboratory of Blockchain and Data Security, Zhejiang University(浙江大学区块链与数据安全国家重点实验室);Hangzhou High-Tech Zone (Binjiang) Institute of Blockchain and Data Security(杭州高新技术开发区(滨江)区块链与数据安全研究院);Graz University of Technology(格拉茨工业大学)
该研究以SWE-bench等基准的F2P测试为工具,搭配Claude Opus 5等模型与SWE-agent,发现LLM生成补丁的运行时性能与问题解决率无关,需将补丁性能纳入仓库级问题解决的评估。
2026-10-12 cs.CL cs.SE
SWE-QA-Pro: A Representative Benchmark and Scalable Training Recipe for Repository-Level Code Understanding
University of Waterloo(滑铁卢大学);University of Toronto(多伦多大学);The Hong Kong University of Science and Technology(香港科学与技术大学);McGill University & MILA(麦吉尔大学及MILA);Verdent AI, Inc.(Verdent AI公司)
本文提出SWE-QA-Pro基准,通过多样化的长尾仓库和可执行环境构建,验证了代理工作流在代码理解任务中的优势,并提出可扩展的合成数据管道和两阶段训练方法,使小型模型在复杂行为学习中取得优异表现。
2026-03-17 cs.AI cs.CL cs.SE