​OpenAI 推出SWE-Lancer 基準測試:評估真實世界自由軟件工程工作的模型性能

在軟件工程領域，隨著挑戰的不斷演變，傳統的基準測試方法顯得力不從心。自由職業的軟件工程工作複雜多變，遠不止是孤立的編碼任務。自由職業工程師需要處理整個代碼庫，集成多種系統，並滿足複雜的客戶需求。而傳統的評估方法通常側重於單元測試，無法充分反映全棧性能和解決方案的實際經濟影響。因此，開發更為真實的評估方法顯得尤為重要。

為此，OpenAI 推出了SWE-Lancer，一個針對真實世界自由軟件工程工作進行模型性能評估的基準測試。該基準測試基於來自Upwork 和Expensify 存儲庫的1400多個自由職業任務，總支付金額達到100萬美元。這些任務從小的bug 修復到大型功能實現應有盡有。 SWE-Lancer 旨在評估個別代碼補丁及管理決策，要求模型從多個選項中選擇最佳提案。這種方法更好地反映了真實工程團隊的雙重角色。

SWE-Lancer 的一大優勢在於使用端到端測試，而非孤立的單元測試。這些測試經過專業軟件工程師精心設計和驗證，能夠模擬從問題識別、調試到補丁驗證的整個用戶工作流程。通過使用統一的Docker 鏡像進行評估，基準測試確保每個模型在相同的受控條件下進行測試。這種嚴格的測試框架有助於揭示模型解決方案是否足夠穩健，適合實際部署。

SWE-Lancer 的技術細節設計巧妙，真實地反映了自由職業工作的實際情況。任務要求對多個文件進行修改，並與API 集成，涉及移動和Web 平台。除了生成代碼補丁，模型還需要審查並選擇競爭提案。這種對技術與管理技能的雙重關注，體現了軟件工程師的真實職責。同時，包含的用戶工具模擬真實用戶互動，進一步增強了評估，鼓勵迭代調試和調整。

通過SWE-Lancer 的結果，研究人員能夠深入了解當前語言模型在軟件工程領域的能力。在個體貢獻任務中，像GPT-4o 和Claude3.5Sonnet 這樣的模型的通過率分別為8.0% 和26.2%。而在管理任務中，表現最佳的模型達到了44.9% 的通過率。這些數據表明，儘管最先進的模型能夠提供有希望的解決方案，但仍然有很大的提升空間。

論文:https://arxiv.org/abs/2502.12115