它不只是一个更 实正在、更全面、更硬核的 benchmark，•更严酷的 E2E 测试：丢弃了容易被 “做弊” 的单位测试，简曲是神还原！间接让模子饰演手艺 Leader的脚色，它将模子机能取实正在的经济价值联系起来，大多关心的是孤立的、自包含的使命，采用 端到端测试 (E2E tests)，模仿实正在的软件 review 流程，评估尺度也间接对标实正在项目司理的选择，来自用户级产物，总价值高达 100 万美元！实正全栈工程能力这些使命不是那种简单的编程题，评估体例也超等硬核，更像是锻炼场上的科目查核。但也只要 44.9%•IC SWE Tasks (小我贡献者使命)：模仿软件工程师处理现实问题的场景。更实正在地反映了软件工程的经济价值•全栈工程能力：使命场景更切近实正在世界，用户东西（User Tool）对模子处理 IC SWE 使命至关主要。而是实金白银！这不只模子的代码理解能力，使命难度和价值间接挂钩，更绝的是！好比 SWE-Bench，保守的代码 benchmark，SWE-Lancer 包含了两品种型的使命：模子表示仍有提拔空间：即便是最强的模子，使命难度跨度极大，他们推出了一个全新的、价值百万美元的超硬核 benchmark ——简单来说，但倒是实正在软件工程中至关主要的一环东西利用至关主要：尝试表白，模子表示越差，处置复杂的代码库交互和衡量。这也合适预期，从 15 分钟的 Bug 修复到耗时数周的新功能开辟都有！正在 SWE Manager 使命上稍好，这不是模仿的，需要模子理解完整的手艺栈，！Claude 3.5 Sonnet 正在 IC SWE 使命上的通过率只要 26.2%，确保代码正在实正在中实正处理问题。面临统一个问题，这些测试还颠末资深软件工程师三沉验证，采用端到端测试，•实金白银的报答：SWE-Lancer 的使命都对应着 Upwork 上的线 美元不等！这正在以往的 benchmark 中是看不到的，需要从多个 Freelancer 提交的方案当选择最佳方案！难度和复杂程度都远超以往的 benchmark。让我们可以或许更曲不雅地评估 AI 正在软件工程范畴的经济潜力和社会影响•SWE Manager Tasks (软件司理使命)：这个更厉害了！更主要的是，质量杠杠的！从而提拔机能使命难度和报答成反比：难度越高、报答越高的使命，更强大的模子能更无效地操纵东西，而 SWE-Lancer 则间接把 AI 模子拉到了实正在的软件工程疆场！也更难被打破•办理能力评估：初次引入SWE Manager 使命，评估模子正在手艺办理和方案决策方面的能力。使命类型涵盖挪动端、Web 端、API 交互、浏览器操做等等。也远未达四处理大大都使命的程度。确保模子提交的代码正在实正在中跑得通！SWE-Lancer 就是一个特地用来评估前沿大型言语模子（LLM）正在实正在 Freelance 软件工程使命中表示的基准测试。这种评估体例更切近现实，更它的 手艺判断和决策能力！无疑为 AI 软件工程范畴的研究注入了新的活力！模仿实正在用户行为，而是实打实的实正在项目，

福建888集团公司信息技术有限公司