SWE-bench_Multilingual_Agentic

概述

SWE-bench Multilingual Agentic 是 SWE-bench Multilingual 的代理模式（agentic-mode）评估版本。该基准测试包含 300 个 SWE-bench 风格的任务，覆盖 42 个代码仓库和 9 种编程语言。模型在每个实例专属的 Docker 容器中，通过多轮代理循环自主探索、编辑代码并提交补丁。

任务描述

• 任务类型：自动化软件工程 / 缺陷修复（代理式、多语言）

• 输入：GitHub issue 描述（不含 oracle 文件上下文）

• 输出：自主编辑后通过 git diff 收集的代码补丁（diff 格式）

• 支持语言：C、C++、Go、Java、JavaScript/TypeScript、PHP、Ruby 和 Rust

主要特性

• 精心筛选的 300 个 Issue-Pull Request 任务

• 覆盖 9 种编程语言的 42 个真实开源仓库

• 每个实例使用独立的 SWE-bench Docker 沙箱环境进行多轮代理交互

• 使用 fail-to-pass 和 pass-to-pass 测试对补丁进行 SWE-bench 兼容性评估

评估说明

• 评估前需安装 pip install swebench==4.1.0

• 自动使用官方 SWE-bench Multilingual x86_64 实例镜像，并自动设置 Docker 平台为 linux/amd64

• 每个实例的 Docker 镜像会自动构建或拉取

• 每个实例最终补丁验证的超时时间为 1800 秒（30 分钟）

• 详细设置说明请参阅 使用文档

• 支持本地构建镜像和远程拉取镜像两种方式

代理模式

本基准测试在每个实例的 SWE-bench Docker 容器内驱动一个多轮代理循环（与 mini-swe-agent 的 swebench.yaml 配置一致）。模型通过发出 bash 命令探索 /testbed 目录、编辑源文件，并在完成任务时打印哨兵字符串 COMPLETE_TASK_AND_SUBMIT_FINAL_OUTPUT 后附上补丁内容以提交最终 git diff 补丁。

extra_params.action_protocol 可选择以下两种协议：

• toolcall（默认）：使用 OpenAI 函数调用协议，仅提供一个 bash 工具。推荐用于支持工具调用的模型。

• backticks：基于文本的备用方案，每轮期望一个 ```mswea_bash_command ``` 代码块。适用于不支持函数调用的模型。

属性

属性	值
基准测试名称	swe_bench_multilingual_agentic
数据集ID	SWE-bench/SWE-bench_Multilingual
论文	N/A
标签	Coding
指标	acc
默认示例数	0-shot
评估划分	test

数据统计

指标	值
总样本数	300
提示词长度（平均）	2197.94 字符
提示词长度（最小/最大）	124 / 69351 字符

样例示例

子集: default

{
  "input": [
    {
      "id": "52ece3cf",
      "content": "Support Post aggregation function pow(f1,f2) to cater for square, cube , square root.\n### Description\r\n\r\nPlease describe the feature or change with as much detail as possible. \r\n\r\nAs of now the only supported arithmetic functions are +, -, *, ... [TRUNCATED 284 chars] ... \r\n\r\nThe proposal is to add a `pow` function which enables all the about usecase .  Square of a number can be represent by pow(f1,2) , Cube can be represented as power(f1 ,3)  , Squar root of a number can be represented by power(f1,0.5) ,\r\n\r\n\n"
    }
  ],
  "id": 0,
  "group_id": 0,
  "tools": [
    {
      "name": "bash",
      "description": "Execute a bash command inside the sandbox environment. Returns the combined stdout / stderr output of the command.",
      "parameters": {
        "properties": {
          "command": {
            "type": "string",
            "description": "The bash command to execute."
          },
          "timeout": {
            "type": "number",
            "description": "Maximum execution time in seconds (default: 60).",
            "default": 60
          }
        },
        "required": [
          "command"
        ]
      }
    }
  ],
  "metadata": {
    "problem_statement": "Support Post aggregation function pow(f1,f2) to cater for square, cube , square root.\n### Description\r\n\r\nPlease describe the feature or change with as much detail as possible. \r\n\r\nAs of now the only supported arithmetic functions are +, -, *, ... [TRUNCATED 284 chars] ... \r\n\r\nThe proposal is to add a `pow` function which enables all the about usecase .  Square of a number can be represent by pow(f1,2) , Cube can be represented as power(f1 ,3)  , Squar root of a number can be represented by power(f1,0.5) ,\r\n\r\n\n",
    "instance_id": "apache__druid-13704",
    "base_commit": "51dfde02840017092486fb75be2b16566aff6a19",
    "patch": "diff --git a/docs/querying/post-aggregations.md b/docs/querying/post-aggregations.md\nindex c75d122eb20a..935ca8fbce16 100644\n--- a/docs/querying/post-aggregations.md\n+++ b/docs/querying/post-aggregations.md\n@@ -36,7 +36,7 @@ There are several ... [TRUNCATED 1110 chars] ...      }\n+    },\n+\n+    POW(\"pow\") {\n+      @Override\n+      public double compute(double lhs, double rhs)\n+      {\n+        return Math.pow(lhs, rhs);\n+      }\n     };\n \n     private static final Map<String, Ops> LOOKUP_MAP = new HashMap<>();\n",
    "PASS_TO_PASS": [
      "org.apache.druid.query.aggregation.post.ArithmeticPostAggregatorTest#testDiv",
      "org.apache.druid.query.aggregation.post.ArithmeticPostAggregatorTest#testQuotient"
    ],
    "FAIL_TO_PASS": [
      "org.apache.druid.query.aggregation.post.ArithmeticPostAggregatorTest#testPow"
    ],
    "test_patch": "diff --git a/processing/src/test/java/org/apache/druid/query/aggregation/post/ArithmeticPostAggregatorTest.java b/processing/src/test/java/org/apache/druid/query/aggregation/post/ArithmeticPostAggregatorTest.java\nindex a93034427539..7e1d4d112 ... [TRUNCATED 1358 chars] ... s(1.0, agg.compute(ImmutableMap.of(\"value\", 1)));\n+    Assert.assertEquals(1.0, agg.compute(ImmutableMap.of(\"value\", -1)));\n+    Assert.assertEquals(1.0, agg.compute(ImmutableMap.of(\"value\", .5)));\n+  }\n   @Test\n   public void testDiv()\n   {\n",
    "version": "13704",
    "repo": "apache/druid",
    "environment_setup_commit": null,
    "hints_text": "",
    "created_at": "2023-01-23 04:10:47",
    "docker_image": "swebench/sweb.eval.x86_64.apache_1776_druid-13704:latest"
  }
}

提示模板

提示模板：

{question}

额外参数

参数	类型	默认值	描述
action_protocol	str	toolcall	代理动作协议："toolcall"（主流 OpenAI 函数调用方式，与 mini-swe-agent swebench.yaml 一致）或 "backticks"（针对不支持函数调用模型的基于文本的 mswea_bash_command 回退方案）。可选值：['toolcall', 'backticks']
max_steps	int	250	每个样本的最大代理步数。
command_timeout	float	60.0	每个 bash 命令的默认超时时间（秒）。
build_docker_images	bool	True	为每个样本在本地构建 Docker 镜像。
pull_remote_images_if_available	bool	True	在构建前尝试拉取已存在的远程 Docker 镜像。
dockerhub_username	str	swebench	远程 SWE-bench 镜像在 DockerHub 上的用户/组织命名空间。

使用方法

使用 CLI

evalscope eval \
    --model YOUR_MODEL \
    --api-url OPENAI_API_COMPAT_URL \
    --api-key EMPTY_TOKEN \
    --datasets swe_bench_multilingual_agentic \
    --limit 10  # 正式评估时请删除此行

使用 Python

from evalscope import run_task
from evalscope.config import TaskConfig

task_cfg = TaskConfig(
    model='YOUR_MODEL',
    api_url='OPENAI_API_COMPAT_URL',
    api_key='EMPTY_TOKEN',
    datasets=['swe_bench_multilingual_agentic'],
    dataset_args={
        'swe_bench_multilingual_agentic': {
            # extra_params: {}  # 使用默认额外参数
        }
    },
    limit=10,  # 正式评估时请删除此行
)

run_task(task_cfg=task_cfg)