SWE-Lancer：OpenAI发布的一个全新大模型评测基准，用来测试大模型解决真实世界软件工程的能力

在人工智能领域，语言模型的发展速度令人瞩目。从解决基础的计算机科学问题，到在国际编程竞赛中斩获金奖，短短两年间，AI技术的进步为软件工程带来了新的可能性。然而，这些模型在真实世界的软件工程任务中究竟能发挥多大的作用？它们能否通过完成实际的软件工程任务来赚取可观的收入？为了验证大模型解决真实任务的能力和水平，OpenAI发布了一个全新的大模型评测基准SWE-Lancer来评测大模型这方面的能力。

SWE-Lancer简介

SWE全称是Software Engineering。此前，业界已经有SWE-Bench来衡量大模型的软件工程能力（https://www.datalearner.com/blog/1051739376632820 ）。但是，这类任务都属于self-contained（即独立的，包含完整信息的任务，简而言之就是可以独立完成的，限制在一定范围内的）。然而，现实世界中，大多数软件工程任务依赖全栈技术，需要在复杂的代码仓之间进行推理和权衡。

为了更加贴近真实时间的软件工程任务，OpenAI搜集了Upwork上现实世界中1488项自由工作者的软件工程任务，价值100万美元。这些任务涵盖了从50美元的错误修复到3.2万美元的功能实现等独立工程任务，以及模型需要在多个技术实现提案中做出选择的管理任务。

SWE-Lancer的任务均来自真实的自由职业平台Upwork，涵盖了各种难度和类型的软件工程任务。这些任务不仅包括了独立的编码任务，还涉及到了管理决策，如在多个技术提案中选择最佳方案。每个任务都附带了实际支付给自由职业工程师的金额，从而为模型的表现提供了一个市场驱动的难度梯度。这种真实世界的经济价值映射，使得SWE-Lancer不仅是一个技术评估工具，更是一个经济影响研究的平台。

软件工程领域两种不同的任务：独立贡献者软件工程任务与软件工程管理任务

OpenAI认为软件工程任务包含两种不同的软件工程（SWE）任务：

Individual Contributor (IC) SWE Tasks（独立贡献者软件工程任务）

这些任务是指模型需要像独立的软件工程师一样，直接解决具体的软件工程问题，例如修复错误（bug fixes）或实现新功能（feature implementations）。

上图是独立贡献类的任务样例。

IC任务的范围从简单的15分钟错误修复到需要数周时间完成的新功能请求。这些任务要求模型生成代码补丁来解决实际问题。

独立贡献者软件工程任务的评估方式：这些任务的解决方案通过端到端（end-to-end）测试来验证，这些测试由经验丰富的软件工程师创建，模拟真实世界的用户工作流程，并经过三重验证以确保质量和公正性。

SWE Manager Tasks（软件工程管理任务）

这些任务要求模型扮演技术领导的角色，评估多个技术实现提案，并选择最佳的解决方案。

上图是软件工程管理类的任务样例。

在这些任务中，模型需要审查由自由职业者提交的多个提案，并根据技术正确性和上下文相关性选择最佳提案。这些任务通常涉及更复杂的决策过程，需要考虑多个因素，如技术可行性、代码质量和项目需求。

管理类的任务评估方式如下：模型的选择与原始雇佣的工程经理的选择进行比较，以评估模型的决策能力。

总结一下，这两类任务：

• IC SWE Tasks：模型直接解决具体的编程问题，生成代码补丁，并通过端到端测试验证。
• SWE Manager Tasks：模型评估多个技术提案，选择最佳方案，模拟技术领导的决策过程。

这两种任务类型共同构成了 SWE-Lancer 基准测试，旨在全面评估 AI 模型在真实世界软件工程任务中的表现，包括独立开发和管理决策能力。

同时OpenAI还将这两类数据集分为开源的部分和不开源的部分。因此，SWE-Lancer共有4种不同类型的评测数据集，总结如下：

是的，并不是所有的SWE-Lancer都是公开的。30%公开给业界，70%OpenAI内部保留了。

GPT-4o、o1与Claude Sonnet 3.5在SWE-Lancer上评测结果

OpenAI公布了他们在内部测试的GPT-4o、o1与Claude Sonnet 3.5三个模型的效果，如下表：

根据上表，我们可以看到如下一些结论和洞察：

1. Claude Sonnet 3.5是全球最强的

3.5 Sonnet 是最强的模型，成功解决了 26.2% 的 IC SWE (Diamond) 任务，且它的总收入为 58k，占 236k 的总额的 24.5%。这表明，尽管该模型在解决此类任务时取得了最佳表现，但仍有 70% 的任务未能解决，这意味着模型仍面临相当大的挑战。

然而，奇怪的是，号称最强的推理模型o1，也依然不如Claude 3.5 Sonnet。

2. o1模型随着推理时间的增长，能力变强

o1 的表现逐步提高：当使用更高的推理努力时，pass@ 1 从 9.3% 提高到 16.5%，并且收入也从 16k 增加到 29k。这显示了推理努力（如计算资源的增加）对性能的明显影响。

GPT-4o 无论在 Diamond 还是 Full 数据集上，性能相对较低，特别是在 IC SWE 任务上，pass@ 1 维持在 8.0%，即使使用了用户工具，它的收入和通过率也远低于其他两个模型。

3. 大模型更适合管理类的软件工程任务

SWE Manager 任务 明显比 IC SWE 任务 更容易得到更高的通过率和收入。这是因为 SWE Manager 任务要求模型在多个解决方案中做出判断，这可能依赖于更高的上下文理解能力，而不仅仅是代码解决方案的生成。因此，能正确选择最佳方案的模型在这类任务中表现更好，赚取的收入也更高。

3.5 Sonnet 在 SWE Manager 任务 上的表现显示了模型在理解和评估方案方面的优势，尤其是在实际的商业决策环境中，这使其成为最有效的模型之一。

此外，所有模型在管理类的任务上表现都比独立贡献的任务类好。

4. 使用用户工具可以提高大模型的软件工程能力

在 IC SWE 任务 中，启用 用户工具 后，模型的表现略有提高。尽管 GPT-4o 在使用用户工具后能有小幅改善，但其总体表现依然偏低，表明它可能未能充分利用该工具的优势。

相比之下， 3.5 Sonnet 对于 用户工具 的依赖较强，它能够更好地使用工具进行调试和验证，这有助于提高任务完成的准确性。

SWE-Lancer与传统软件工程大模型评测任务的对比

OpenAI认为SWE-Lancer是一个更加贴近真实世界的大模型软件工程能力的评测基准，其主要的优势如下：