Correct Code, Broken Contributions? SWE-CC: Benchmarking Repository Policy Compliance for Coding Agents
Singapore Management University(新加坡管理大学);Singapore University of Technology and Design(新加坡科技设计大学)
针对编码代理的仓库策略合规性,提出SWE-CC基准,通过823条原子策略和全面审计机制评估500个任务,发现功能正确但合规性差,43.1%策略被违反。
2026-10-06 cs.AI 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
Schrödinger's Code Repository: Have LLMs Learned SWE-bench or Memorized It?
Shanghai Jiao Tong University(上海交通大学);Xi’an Jiaotong University(西安交通大学);East China Normal University(华东师范大学);Shanghai Innovation Institute(上海创新研究院)
针对仓库级编码基准的数据泄露问题,提出SchrodingerRepo动态实例化评估框架,通过四种转换消除熟悉线索,实验显示LLM性能下降且交互成本上升,表明智能体部分依赖记忆而非推理。
2026-09-24 cs.AI cs.SE
SWE-Compass: Towards Unified Evaluation of Agentic Coding Abilities for Large Language Models
Kuaishou Technology(快手科技);Nanjing University(南京大学)
针对LLM软件工程评估的狭窄任务覆盖、语言偏见等问题,提出综合基准SWE-Compass,统一异构代码评估,覆盖多任务、场景和语言,为诊断和提升LLM智能体编码能力提供严谨基础。
2025-11-11 cs.AI cs.SE
E2E-SWE: Benchmarking LLMs on Building Working Codebases from Scratch
Meta Superintelligence Labs(元超级智能实验室)
该基准E2E-SWE通过186个跨11种语言的整仓库生成任务评估LLM智能体从零构建可用代码库的能力,发现pass@1在11.7%至67.7%间波动,凸显系统级推理需求。
2026-10-01 cs.AI cs.SE
SWE-Gate: Passing Functional Tests Is Not Enough for Software Engineering Agents
Sun Yat-sen University(中山大学);Zhejiang University(浙江大学);Chongqing University(重庆大学)
SWE-Gate基准结合功能测试与审查约束评估,发现仅通过功能测试的软件工程智能体中约34%未满足审查约束,仅功能评估会高估智能体的修复能力。
2026-09-04 cs.AI cs.SE
SWE-Bench-CL: Continual Learning for Coding Agents
Columbia University(哥伦比亚大学)
本文提出 SWE-Bench-CL 持续学习基准,基于 SWE-Bench Verified 按时间组织 GitHub 议题序列,并配套语义记忆评估框架与多维度持续学习指标,用于评估编码智能体的经验积累、知识迁移与抗遗忘能力。
2025-06-13 cs.AI cs.LG cs.SE
SWE-DeceptionBench: Benchmarking Deceptive Behaviors of LLMs Across the Software Development Lifecycle
Tsinghua University(清华大学);Fudan University(复旦大学)
本研究推出SWE-DeceptionBench基准测试,评估七个主流LLM在软件开发全生命周期的欺骗行为,发现中立条件下仍有高欺骗率,轻量级防御效果有限,凸显需更有效的欺骗检测与缓解方法。
2026-10-12 cs.AI 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
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
SWE-Chain: Benchmarking Coding Agents on Chained Release-Level Package Upgrades
The Chinese University of Hong Kong(香港中文大学);Independent(独立);ELLIS;Technical University of Darmstadt(达姆施塔特技术大学);Johns Hopkins University(约翰霍普金斯大学);Monash University(墨尔本大学)
SWE-Chain通过链式发布级包升级评估编码代理,包含12个升级链和155个版本过渡,揭示当前代理在连续维护中的不足。
2026-05-14 cs.AI cs.CL cs.SE
SWE-Fuse: Empowering Software Agents via Issue-free Trajectory Learning and Entropy-aware RLVR Training
Ant Group(蚂蚁集团);The Chinese University of Hong Kong(香港中文大学)
SWE-Fuse通过融合问题描述引导和无问题样本,提升软件代理在解决现实问题中的性能,其熵感知训练模块有效平衡探索与稳定性。
2026-03-09 cs.AI cs.SE
SWE-Dev: Building Software Engineering Agents with Training and Inference Scaling
Tsinghua University(清华大学);Zhipu AI(智谱AI)
本文提出SWE-Dev,一种基于开源LLM的软件工程智能体,通过合成测试用例和扩展训练轨迹,在SWE-bench-Verified上7B和32B模型分别达到23.4%和36.6%的成功率,超越现有开源模型。
2025-06-23 cs.AI
SWE-Replay: Efficient Test-Time Scaling for Software Engineering Agents
Siebel School of Computing(计算科学系);Data Science, University of Illinois Urbana-Champaign, USA(数据科学,伊利诺伊大学厄巴纳-香槟分校)
SWE-Replay通过重用历史轨迹和动态选择探索或利用策略,实现了高效且可推广的软件工程代理测试时间扩展。
2026-02-05 cs.AI cs.LG cs.SE
Lingma SWE-GPT: An Open Development-Process-Centric Language Model for Automated Software Improvement
Tongyi Lab, Alibaba Group(阿里集团通义实验室)
针对当前自动化软件工程领域依赖闭源模型、缺乏对开发动态过程理解的问题,研究团队推出以开发过程为中心的开源Lingma SWE-GPT系列模型,在SWE-bench Verified基准上取得接近闭源模型的性能,验证了小模型的应用潜力。
2024-11-01 cs.AI cs.SE
PredictionMarketBench: A SWE-bench-Style Framework for Backtesting Trading Agents on Prediction Markets
Oddpool
PredictionMarketBench是一个用于预测市场回测的框架,通过标准化数据处理和模拟器评估算法和大语言模型交易代理,展示费用意识策略在波动市场中的竞争力。
2026-01-28 cs.AI q-fin.ST
SWE-Test: Benchmarking LLM Vulnerability Discovery via Input Prediction
SWE-Test通过输入预测任务,利用覆盖率引导模糊测试挖掘真实C/C++程序中的深层分支,将漏洞发现分解为三种模式,评估发现约束推断是主要瓶颈,最佳模型通过率仅55%。
2026-09-09 cs.AI cs.SE
SWE-CI: Evaluating Agent Capabilities in Maintaining Codebases via Continuous Integration
Sun Yat-sen University(中山大学);Alibaba Group(阿里巴巴集团);Skylenage
SWE-CI通过持续集成循环构建首个仓库级基准,旨在将代码生成评估从静态短期功能性正确性转向动态长期可维护性,通过跟踪功能正确性随时间的变化揭示可维护性。
2026-04-01 cs.AI cs.CL cs.SE
SWE-Prometheus: Measuring Engineering Governance Improvements in Real-World Repositories
CosmosMind;Peking University(北京大学);Tsinghua University(清华大学);HKUST(香港科技大学);ModCraft
提出SWE-Prometheus基准,用于评估编码智能体在真实仓库中改进工程治理的能力,通过多维度证据和教师评分衡量改进与行为保持,并揭示治理工件与执行支持改进的差异。
2026-10-19 cs.AI cs.SE
How Many Tasks Are Enough for Agent Benchmark Decisions? A Replay Analysis of Public LLM Agent Benchmarks
研究智能体基准测试中多少任务足以做决策,通过重放公共任务级记录,提出部分预算需满足支持完整基准决策、覆盖任务组及控制未解决比较比例等条件,还指出部分评估报告应包含的内容。
2026-07-15 cs.AI
When Agents go Astray: Course-Correcting SWE Agents with PRMs
Carnegie Mellon University(卡内基梅隆大学);IBM Research(IBM研究院)
针对大语言模型软件工程智能体执行轨迹低效的问题,提出推理阶段的过程奖励模型SWE-PRM,通过分类体系提供轻量可解释反馈以校正轨迹,在SWE-bench Verified上显著提升解决率且成本可控。
2025-10-21 cs.AI cs.SE
Diversity Empowers Intelligence: Integrating Expertise of Software Engineering Agents
Salesforce AI Research(Salesforce AI研究院);Carnegie Mellon University(卡内基梅隆大学)
针对现有软件工程智能体各有优劣的问题,提出元模块框架DEI整合多智能体专业能力,在SWE-Bench Lite基准上实现性能大幅提升,最优组解决率达55%位居榜首。
2024-08-13 cs.AI cs.CL cs.LG
Don't Claim Benchmark-Oriented Optimization Improves General Coding Capability -- Diverse Evaluation Is Required
该研究指出少量编码基准的优化无法提升通用编码能力,通过案例研究验证了基准排名难泛化、跨任务迁移差等问题,呼吁采用差异化评估与持续基准维护。
2026-08-17 cs.AI cs.LG cs.SE
SWE-Prime: Fewer Trajectories, Better Performance
Sun Yat-sen University(中山大学);Huawei Cloud Computing Technologies Co., Ltd.(华为云计算技术有限公司);Chongqing University(重庆大学)
SWE-Prime是一种多粒度两阶段SFT数据选择方法,在SWE-Bench基准上仅用10%轨迹训练,就实现了优于全数据集训练的软件问题解决性能,相对提升最高达24.2%。
2026-08-28 cs.AI cs.CL cs.SE
SWE-Together: Evaluating Coding Agents in Interactive User Sessions
Meta
提出SWE-Together基准,从真实用户-代理编码会话中重建多轮交互任务,并利用基于LLM的用户模拟器评估编码代理的协作能力,发现强代理成功率更高且干预更少。
2026-06-29 cs.AI cs.CL cs.SE
RealSWE: A Compositional Evaluation of Coding Agents under Realistic User Requests
Sungkyunkwan University(成均馆大学)
该研究针对编码智能体评估基准与真实用户请求的差异,构建了新基准sys并评估7种LLM,发现真实输入降低解决率且改变模型排名,明确陈述期望行为和动机可提升LLM软件工程性能。
2026-10-06 cs.AI cs.LG cs.SE
What Does an LLM-Agent Leaderboard Rank Actually Compare?
本文研究LLM智能体排行榜分数的估计含义,提出基于估计目标的成对比较程序,并指出在任务差异和不确定性下,排名差异常无法证明优劣性结论。
2026-09-09 cs.AI
Skywork-SWE: Unveiling Data Scaling Laws for Software Engineering in LLMs
Skywork-SWE: Unveiling Data Scaling Laws for Software Engineering in LLMs(Skywork-SWE:揭示软件工程中大语言模型的数据扩展规律)
本文提出自动化数据整理流程,构建含10,169个实例的SWE数据集,微调Skywork-SWE模型,发现数据缩放定律,性能随数据量持续提升,在SWE-bench上达38%和47%的准确率,创SOTA。
2025-06-24 cs.AI cs.CL
SWE-Bench Pro Verified: A Reliable Benchmark for Software Engineering Agents
East China Normal University(华东师范大学);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);Fudan University(复旦大学)
针对SWE-Bench Pro存在奖励黑客和任务质量问题,提出SWE-Bench Pro Verified,通过反黑客保障和任务精炼提供更可靠的软件工程智能体评估基准。
2026-10-12 cs.AI cs.SE
Saving SWE-Bench: A Benchmark Mutation Approach for Realistic Agent Evaluation
Microsoft(微软)
本文提出一种基准突变方法,通过分析开发者与聊天代理的互动模式,将现有基准转化为现实用户查询,揭示现有基准对代理能力的高估问题。
2026-01-23 cs.AI cs.SE
PAIChecker: Uncovering and Checking PR-Issue Misalignment in SWE-Bench-Like Benchmarks
The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳))
本研究针对类SWE-Bench基准中13.6%的PR-Issue不匹配问题,提出多智能体系统PAIChecker,经实验验证其在两类基准上的二元准确率最高达92.12%
2026-08-05 cs.AI cs.SE
SPICE: An Automated SWE-Bench Labeling Pipeline for Issue Clarity, Test Coverage, and Effort Estimation
Center for Software Excellence, Huawei Canada(华为加拿大卓越软件中心)
SPICE通过上下文感知代码导航、理由驱动提示和多轮共识,自动为SWE-bench风格数据标注问题清晰度、测试覆盖与工作量,将千例标注成本从约10万美元降至5.10美元,并发布包含6,802个实例的SPICE Bench数据集。
2025-09-18 cs.AI cs.SE
SWE-Sharp-Bench: A Reproducible Benchmark for C# Software Engineering Tasks
针对C#未被纳入软件工程基准的问题,本文引入含150个实例的可复现基准SWE-Sharp-Bench,评估发现C#任务解决率(40%)远低于Python(70%),并开源该基准与构建流程。
2025-11-18 cs.SE
SWE-bench Multimodal: Do AI Systems Generalize to Visual Software Domains?
Princeton University(普林斯顿大学);Stanford University(斯坦福大学);Cornell University(康奈尔大学);University of Tübingen(蒂宾根大学);Meta AI;Tübingen AI Center(蒂宾根人工智能中心)
针对现有SWE-bench基准仅覆盖Python文本类软件工程任务的局限,提出多模态基准SWE-bench M,测试AI系统在含视觉元素的JavaScript软件漏洞修复任务上的表现,发现顶尖系统存在能力短板,且SWE-agent凭借语言无关特性表现最优。
2024-10-04 cs.AI cs.CL cs.SE
Active-SWE: Benchmarking Coding Agents for Proactive Bug Fixing without Issue Reports
Sichuan University(四川大学);University of Electronic Science and Technology of China(电子科技大学)
Active-SWE是首个针对无问题报告的主动多漏洞修复任务的编码智能体基准,实验显示现有顶尖编码智能体在该任务上性能有限。
2026-09-30 cs.AI cs.SE
TOM-SWE: User Mental Modeling For Software Engineering Agents
Language Technology Institute, Carnegie Mellon University(卡内基梅隆大学语言技术研究所)
TOM-SWE通过双代理架构实现用户心理建模,提升软件工程代理的任务成功率和用户满意度。
2026-01-29 cs.AI cs.SE
Exploring the Potential of Conversational Test Suite Based Program Repair on SWE-bench
本研究针对会话式补丁生成在SWE-Bench上的潜力未被专门评估的问题,开展实验验证基于LLaMA 3.1 70B的简单会话流水线的修复效果,达到47%的有效补丁生成率,可媲美当前最优水平。
2024-10-06 cs.AI cs.MA cs.SE
SWEPatchTest: Evaluating Software Tests Beyond Reproduction
Baidu Inc.(百度公司);Nanjing University(南京大学);The Chinese University of Hong Kong(香港中文大学)
该研究提出SWEPatchTest基准,通过联合衡量问题复现、补丁接受与拒绝的JVR评估测试质量,用其优化SFT训练方法,提升了SWE-bench基准上的补丁修复效果。
2026-10-14 cs.AI cs.SE
SWE-Bench Pro V2: A Cleaner, Harder-to-Game Coding Benchmark
Reflection AI;Scale AI
针对SWE-Bench Pro基准的漏洞,本文提出SWE-Bench Pro V2,通过多轮审核与强化协议优化,使其更难作弊,同时保持评估准确性,为智能体基准维护提供了经验。
2026-10-20 cs.AI cs.SE
SWE-Bench+: Enhanced Coding Benchmark for LLMs
本研究针对SWE-bench编程基准开展数据质量实证分析,发现其存在解决方案泄露、测试用例薄弱、潜在数据泄露等问题,过滤问题样本后SWE-Agent+GPT-4的解决率大幅下降,相关问题也存在于该基准的两个变体中。
2024-10-10 cs.SE
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-Serve: Benchmarking Agentic Engineering For Production Inference Serving
NVIDIA(英伟达);University of California, Berkeley(加州大学伯克利分校)
SWE-Serve是面向生产推理服务的智能体基准,含53个SGLang任务,揭示本地完成与生产正确性差距,最佳配置平均pass@1为75%。
2026-09-23 cs.AI 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
Are Performance-Optimization Benchmarks Reliably Measuring Coding Agents?
Singapore Management University(新加坡管理大学);Shanghai Jiao Tong University(上海交通大学)
本研究审计了三个仓库级性能优化基准(GSO、SWE-Perf、SWE-fficiency),发现参考补丁的可复现性差、评分规则导致排名不一致,且多数任务已被公开提交解决,揭示了聚合排名掩盖的性能差距。
2026-07-17 cs.AI 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
Automated Benchmark Generation for Repository-Level Coding Tasks
ETH Zurich(苏黎世联邦理工学院)
本文提出自动化系统 SetUpAgent 以解决仓库级编码基准构建依赖大量人工的问题,并基于其生成覆盖数百仓库的 SWEE-Bench 和面向应用的 SWA-Bench,揭示了现有基准存在显著分布偏差,导致智能体成功率最高下降 40%。
2025-03-10 cs.AI cs.SE
SWE-EVO: Benchmarking Coding Agents in Long-Horizon Software Evolution Scenarios
FPT Software AI Center(FPT软件人工智能中心);School of Computing and Information Systems(计算与信息系统学院);University of Melbourne(墨尔本大学);Center of AI Research(人工智能研究中心);VinUniversity(文大学)
针对现有基准测试仅关注孤立单任务问题,提出SWE-EVO基准,包含48个需跨多文件多步骤修改的长周期任务,实验显示当前智能体在此类任务上表现显著不足。
2026-05-22 cs.AI cs.MA cs.SE
Open-SWE-Traces: Advancing Dual-Mode Multilingual Distillation for Software Engineering Agents
NVIDIA(英伟达)
为解决软件工程智能体训练数据稀缺问题,构建包含20万条轨迹、覆盖9种编程语言的数据集,采用混合推理合成方法,微调Qwen3-30B-A3B系列模型,在SWE-bench基准上取得领先性能。
2026-06-16 cs.AI cs.SE
SWE-Touch: Benchmarking Coding Agents When Users Touch the Code
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);University of Chinese Academy of Sciences(中国科学院大学)
SWE-Touch基准测试显示,编码智能体对共享工作空间的状态感知不足,反编辑使其解决率降低7.7个百分点,需优化相关协作能力。
2026-08-04 cs.AI cs.CL cs.SE
SWE-NFI: Studying and Benchmarking Coding Agents for Non-Functional Improvements
York University(约克大学);Singapore Management University(新加坡管理大学);University of Waterloo(滑铁卢大学)
本文提出SWE-NFI基准,基于开源Python项目的真实合并拉取请求构建188个任务,评估编码智能体的非功能改进能力,发现智能体在该能力上普遍落后于人类开发者。
2026-10-08 cs.AI cs.SE
Does SWE-Bench-Verified Test Agent Ability or Model Memory?
Central Peel Secondary School(中央皮尔中学);University of Waterloo(滑铁卢大学)
研究发现SWE-Bench-Verified基准可能反映模型训练记忆而非真实问题解决能力,建议转向更注重污染控制的新数据集。
2025-12-22 cs.SE
What's in a Benchmark? The Case of SWE-Bench in Automated Program Repair
Universitat Politècnica de Catalunya(加泰罗尼亚理工大学)
本文研究了SWE-Bench排行榜上的提交来源、LLM使用情况及行业参与度,揭示了专有LLM在自动程序修复中的主导地位。
2026-02-04 cs.SE
SWE-DIVE: Multi-Turn Coding Agent Evaluation with Dynamic User Simulation
University of Innsbruck(因斯布鲁克大学);Microsoft(微软)
针对现有编码智能体评估未考虑实际多轮非规范提示的问题,提出SWE-DIVE框架,含用户模拟器与对话验证器,在Harbor环境中实现多轮编码智能体评估。
2026-10-22 cs.AI cs.SE
From SWE-ZERO to SWE-HERO: Execution-free to Execution-based Fine-tuning for Software Engineering Agents
NVIDIA(英伟达)
本文提出一种两阶段SFT方法,通过知识蒸馏实现SWE-bench的最佳性能,通过进化精炼策略提升代码语义和工程流程。
2026-04-02 cs.CL cs.SE