SWE-bench_Verified_Agentic#

概述#

SWE-bench Verified Agentic 是对 SWE-bench Verified 的代理模式（agentic-mode）评估。SWE-bench Verified 是从 SWE-bench 中人工验证筛选出的 500 个样本子集。与提供 oracle 文件上下文的单轮变体不同，该模式要求模型在每个实例专属的 Docker 容器内，通过多轮代理循环自主探索代码仓库、执行 shell 命令、编辑源文件，并最终提交补丁。

任务描述#

任务类型：自动化软件工程 / 缺陷修复（代理模式）
输入：GitHub issue 描述（不包含 oracle 文件上下文）
输出：模型自主编辑后通过 git diff 生成的代码补丁（diff 格式）
涉及仓库：12 个流行的 Python 项目（如 Django、Flask、Requests 等）

主要特性#

包含 500 个人工验证的 Issue-Pull Request 对
支持多轮代理循环（兼容 mini-swe-agent 的 swebench.yaml 配置）
每个实例使用独立的 SWE-bench Docker 容器作为执行沙箱
基于哨兵值（sentinel）的补丁提交协议（COMPLETE_TASK_AND_SUBMIT_FINAL_OUTPUT）
同时支持函数调用（toolcall）和基于文本（backticks）的行动协议

评估说明#

评估前需安装 pip install swebench==4.1.0
每个仓库的 Docker 镜像会自动构建或拉取
每个实例的最终补丁验证超时时间为 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#

该基准测试在每个实例专属的 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 命令来探索 /testbed 目录、编辑源文件，并最终通过打印哨兵值 COMPLETE_TASK_AND_SUBMIT_FINAL_OUTPUT 及其后的补丁内容来提交 git diff 补丁。

extra_params.action_protocol 参数用于选择以下两种协议之一：

toolcall（默认）：采用 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：基于文本的备用协议，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_verified_agentic`
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#

指标	值
总样本数	500
提示词长度（平均）	1699.73 字符
提示词长度（最小/最大）	143 / 24770 字符

样例示例#

子集: default

{
  "input": [
    {
      "id": "360d65af",
      "content": "Modeling's `separability_matrix` does not compute separability correctly for nested CompoundModels\nConsider the following model:\r\n\r\n```python\r\nfrom astropy.modeling import models as m\r\nfrom astropy.modeling.separable import separability_matri ... [TRUNCATED 762 chars] ...       [ True,  True, False, False],\r\n       [False, False,  True,  True],\r\n       [False, False,  True,  True]])\r\n```\r\nSuddenly the inputs and outputs are no longer separable?\r\n\r\nThis feels like a bug to me, but I might be missing something?\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": "Modeling's `separability_matrix` does not compute separability correctly for nested CompoundModels\nConsider the following model:\r\n\r\n```python\r\nfrom astropy.modeling import models as m\r\nfrom astropy.modeling.separable import separability_matri ... [TRUNCATED 762 chars] ...       [ True,  True, False, False],\r\n       [False, False,  True,  True],\r\n       [False, False,  True,  True]])\r\n```\r\nSuddenly the inputs and outputs are no longer separable?\r\n\r\nThis feels like a bug to me, but I might be missing something?\n",
    "instance_id": "astropy__astropy-12907",
    "base_commit": "d16bfe05a744909de4b27f5875fe0d4ed41ce607",
    "patch": "diff --git a/astropy/modeling/separable.py b/astropy/modeling/separable.py\n--- a/astropy/modeling/separable.py\n+++ b/astropy/modeling/separable.py\n@@ -242,7 +242,7 @@ def _cstack(left, right):\n         cright = _coord_matrix(right, 'right', noutp)\n     else:\n         cright = np.zeros((noutp, right.shape[1]))\n-        cright[-right.shape[0]:, -right.shape[1]:] = 1\n+        cright[-right.shape[0]:, -right.shape[1]:] = right\n \n     return np.hstack([cleft, cright])\n \n",
    "PASS_TO_PASS": [
      "astropy/modeling/tests/test_separable.py::test_coord_matrix",
      "astropy/modeling/tests/test_separable.py::test_cdot",
      "astropy/modeling/tests/test_separable.py::test_cstack",
      "astropy/modeling/tests/test_separable.py::test_arith_oper",
      "astropy/modeling/tests/test_separable.py::test_separable[compound_model0-result0]",
      "astropy/modeling/tests/test_separable.py::test_separable[compound_model1-result1]",
      "astropy/modeling/tests/test_separable.py::test_separable[compound_model2-result2]",
      "astropy/modeling/tests/test_separable.py::test_separable[compound_model3-result3]",
      "astropy/modeling/tests/test_separable.py::test_separable[compound_model4-result4]",
      "astropy/modeling/tests/test_separable.py::test_separable[compound_model5-result5]",
      "... [TRUNCATED 3 more items] ..."
    ],
    "FAIL_TO_PASS": [
      "astropy/modeling/tests/test_separable.py::test_separable[compound_model6-result6]",
      "astropy/modeling/tests/test_separable.py::test_separable[compound_model9-result9]"
    ],
    "test_patch": "diff --git a/astropy/modeling/tests/test_separable.py b/astropy/modeling/tests/test_separable.py\n--- a/astropy/modeling/tests/test_separable.py\n+++ b/astropy/modeling/tests/test_separable.py\n@@ -28,6 +28,13 @@\n p1 = models.Polynomial1D(1, nam ... [TRUNCATED 931 chars] ...          [True,  True,  False, False, False],\n+                        [False, False, True,  False, False],\n+                        [False, False, False, True,  False],\n+                        [False, False, False, False, True]]))),\n }\n \n \n",
    "version": "4.3",
    "repo": "astropy/astropy",
    "environment_setup_commit": "298ccb478e6bf092953bca67a3d29dc6c35f6752",
    "hints_text": "",
    "created_at": "2022-03-03T15:14:54Z",
    "docker_image": "swebench/sweb.eval.arm64.astropy_1776_astropy-12907: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`	代理行动协议："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的模型的文本式 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）。
`working_dir`	`str`	`/testbed`	SWE-bench 容器内的工作目录。
`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`	``	可选地强制指定镜像构建/拉取的目标架构。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_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_verified_agentic'],
    dataset_args={
        'swe_bench_verified_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)