SWE-bench_Verified

概述

SWE-bench Verified 是从 SWE-bench 中人工验证筛选出的 500 个样本子集，旨在测试系统自动解决真实 GitHub 问题的能力。每个样本均来自热门 Python 仓库中的真实 bug 修复或功能实现。

任务描述

• 任务类型：自动化软件工程 / Bug 修复

• 输入：包含仓库上下文的 GitHub issue 描述

• 输出：解决该 issue 的代码补丁（diff 格式）

• 仓库范围：12 个热门 Python 项目（如 Django、Flask、Requests 等）

主要特性

• 500 对经人工验证的 Issue-Pull Request 数据

• 来自生产级 Python 仓库的真实世界 bug

• 通过单元测试进行验证评估

• 基于 Docker 的隔离执行环境

• 同时考察对 bug 的理解能力与代码修改能力

评估说明

• 评估前需先安装 pip install swebench==4.1.0

• 每个仓库的 Docker 镜像会自动构建或拉取

• 每个实例超时时间为 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

属性

属性	值
基准测试名称	swe_bench_verified
数据集ID	princeton-nlp/SWE-bench_Verified
论文	N/A
标签	Coding
指标	acc
默认示例数	0-shot
评估分割	test

数据统计

统计数据暂不可用。

样例示例

样例示例暂不可用。

提示模板

提示模板：

{question}

额外参数

参数	类型	默认值	描述
inference_dataset_id	str	princeton-nlp/SWE-bench_oracle	用于获取推理上下文的 Oracle 数据集 ID。
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。
force_arch	str	``	可选地强制为特定架构拉取/构建 Docker 镜像。可选值：['', 'arm64', 'x86_64']

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_verified \
    --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_verified'],
    dataset_args={
        'swe_bench_verified': {
            # 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)