SWE-bench_Lite_Agentic#

概述#

SWE-bench Lite Agentic 是 SWE-bench Lite 的代理模式（agentic-mode）评估版本。SWE-bench Lite 是 SWE-bench 的一个精选子集，包含来自 11 个热门 Python 仓库的 300 个 Issue-Pull Request 对。模型在每个实例专属的 Docker 容器中自主驱动多轮代理循环，以解决真实的 GitHub 问题。

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（不提供 oracle 文件上下文）

  • 输出：通过 git diff 收集的代码补丁（diff 格式），由模型自主编辑后生成

  • 规模：300 个精心挑选的测试实例

主要特性#

  • 包含 300 个测试用的 Issue-Pull Request 对

  • 覆盖 11 个热门 Python 仓库

  • 真实世界中的缺陷，且已有验证过的解决方案

  • 每个实例使用独立的 Docker 沙箱环境运行多轮代理循环

  • 相比完整版 SWE-bench 更易管理，但仍具挑战性

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

  • 详细设置说明请参阅 使用文档

  • 此基准测试是进行初始代理模型对比的常用变体

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）：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_lite_agentic

数据集 ID

princeton-nlp/SWE-bench_Lite

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）

1661.18 字符

提示词长度（最小/最大）

230 / 24770 字符

样例示例#

子集: default

{
  "input": [
    {
      "id": "c8f45390",
      "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"（基于文本的 mswea_bash_command 回退方案，适用于不支持函数调用的模型）。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）。

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_lite_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_lite_agentic'],
    dataset_args={
        'swe_bench_lite_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)