SWE-bench_Verified_Mini_Agentic#

概述#

SWE-bench Verified Mini Agentic 是对 SWE-bench Verified Mini 的代理模式（agentic-mode）评估。该数据集是一个紧凑的 50 样本子集，在保持与完整 Verified 集合相同的性能分布、测试通过率和难度的同时，仅需 5GB 存储空间（而非 130GB）。模型必须通过多轮代理循环，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（代理模式）

  • 输入：GitHub issue 描述（无 oracle 文件上下文）

  • 输出：代码补丁（以 git diff 格式收集，来自自主编辑后的结果）

  • 规模：50 个样本（完整 Verified 集合为 500 个）

主要特性#

  • SWE-bench Verified 的代表性 50 样本子集

  • 与完整数据集具有相同的难度分布

  • 存储需求大幅降低（5GB vs 130GB）

  • 每个实例使用独立 Docker 沙箱的多轮代理循环

  • 非常适合快速代理评估和开发迭代

评估说明#

  • 评估前需执行 pip install swebench==4.1.0

  • Docker 镜像会自动构建或拉取

  • 详细设置请参阅 使用文档

  • 适用于代理策略的快速原型设计和模型初步评估

代理模式#

此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、编辑源文件，并最终通过打印哨兵字符串 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 可选择以下两种协议：

  • 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_verified_mini_agentic

数据集ID

evalscope/swe-bench-verified-mini

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

50

提示词长度（平均）

1268.5 字符

提示词长度（最小/最大）

257 / 5362 字符

样例示例#

子集: default

{
  "input": [
    {
      "id": "363bb967",
      "content": "AuthenticationForm's username field doesn't set maxlength HTML attribute.\nDescription\n\t\nAuthenticationForm's username field doesn't render with maxlength HTML attribute anymore.\nRegression introduced in #27515 and 5ceaf14686ce626404afb6a5fbd3d8286410bf13.\n​https://groups.google.com/forum/?utm_source=digest&utm_medium=email#!topic/django-developers/qnfSqro0DlA\n​https://forum.djangoproject.com/t/possible-authenticationform-max-length-regression-in-django-2-1/241\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": "AuthenticationForm's username field doesn't set maxlength HTML attribute.\nDescription\n\t\nAuthenticationForm's username field doesn't render with maxlength HTML attribute anymore.\nRegression introduced in #27515 and 5ceaf14686ce626404afb6a5fbd3d8286410bf13.\n​https://groups.google.com/forum/?utm_source=digest&utm_medium=email#!topic/django-developers/qnfSqro0DlA\n​https://forum.djangoproject.com/t/possible-authenticationform-max-length-regression-in-django-2-1/241\n",
    "instance_id": "django__django-11790",
    "base_commit": "b1d6b35e146aea83b171c1b921178bbaae2795ed",
    "patch": "diff --git a/django/contrib/auth/forms.py b/django/contrib/auth/forms.py\n--- a/django/contrib/auth/forms.py\n+++ b/django/contrib/auth/forms.py\n@@ -191,7 +191,9 @@ def __init__(self, request=None, *args, **kwargs):\n \n         # Set the max len ... [TRUNCATED 322 chars] ... username_max_length\n+        self.fields['username'].widget.attrs['maxlength'] = username_max_length\n         if self.fields['username'].label is None:\n             self.fields['username'].label = capfirst(self.username_field.verbose_name)\n \n",
    "PASS_TO_PASS": [
      "test_html_autocomplete_attributes (auth_tests.test_forms.AdminPasswordChangeFormTest)",
      "test_missing_passwords (auth_tests.test_forms.AdminPasswordChangeFormTest)",
      "test_non_matching_passwords (auth_tests.test_forms.AdminPasswordChangeFormTest)",
      "test_one_password (auth_tests.test_forms.AdminPasswordChangeFormTest)",
      "test_password_whitespace_not_stripped (auth_tests.test_forms.AdminPasswordChangeFormTest)",
      "test_success (auth_tests.test_forms.AdminPasswordChangeFormTest)",
      "test_field_order (auth_tests.test_forms.PasswordChangeFormTest)",
      "test_html_autocomplete_attributes (auth_tests.test_forms.PasswordChangeFormTest)",
      "test_incorrect_password (auth_tests.test_forms.PasswordChangeFormTest)",
      "test_password_verification (auth_tests.test_forms.PasswordChangeFormTest)",
      "... [TRUNCATED 67 more items] ..."
    ],
    "FAIL_TO_PASS": [
      "test_username_field_max_length_defaults_to_254 (auth_tests.test_forms.AuthenticationFormTest)",
      "test_username_field_max_length_matches_user_model (auth_tests.test_forms.AuthenticationFormTest)"
    ],
    "test_patch": "diff --git a/tests/auth_tests/test_forms.py b/tests/auth_tests/test_forms.py\n--- a/tests/auth_tests/test_forms.py\n+++ b/tests/auth_tests/test_forms.py\n@@ -423,6 +423,7 @@ def test_username_field_max_length_matches_user_model(self):\n         C ... [TRUNCATED 543 chars] ... )\n         self.assertEqual(form.fields['username'].max_length, 254)\n+        self.assertEqual(form.fields['username'].widget.attrs.get('maxlength'), 254)\n         self.assertEqual(form.errors, {})\n \n     def test_username_field_label(self):\n",
    "version": "3.1",
    "repo": "django/django",
    "environment_setup_commit": "0668164b4ac93a5be79f5b87fae83c657124d9ab",
    "hints_text": "Regression test.",
    "created_at": "2019-09-17T14:33:44Z",
    "docker_image": "swebench/sweb.eval.arm64.django_1776_django-11790: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 的 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）。可选项：['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。可选项：['', '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_mini_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_mini_agentic'],
    dataset_args={
        'swe_bench_verified_mini_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)