iclr 2024 oral reviewer评分 5668

• 现有的语言模型（LMs）的基准测试已经饱和，无法捕捉到最先进的语言模型能做什么和不能做什么的前沿。
  • ——>要具有挑战性的基准测试
• 论文引入了SWE-bench
  • 在现实软件工程环境中评估语言模型的基准测试
    • ​​​​​​​模型的任务是解决提交到热门GitHub仓库的问题（通常是bug报告或功能请求）
    • 每个任务都需要生成描述对现有代码库应用的更改的补丁。
    • 然后，使用仓库的测试框架评估修订后的代码库
  • 修复一个bug可能涉及导航一个大型仓库，理解不同文件中的功能之间的相互作用，或者在复杂的代码中发现一个小错误
  • 这个是现有的编码基准测试不具备的
    • HumanEval主要涉及自包含问题，这些问题可以在几行代码内解决

•  SWE-bench相较于现有的LM编程基准测试具有多个优势
  • 利用用户提交的问题和解决方案的现实设置
  • 从12个仓库中提取的独特代码问题的多样输入
  • 基于执行的评估的强大框架
  • 能够持续用新实例更新基准测试，几乎不需要人工干预

• 论文对多个最先进的语言模型在SWE-bench上进行了评估，发现它们除了最简单的问题外，都未能解决
  • 使用BM25检索器，Claude 2只能解决1.96%的问题

• 除了SWE-bench外，论文的贡献还包括发布了一个训练数据集，SWE-bench-train，这对于在这一挑战领域推进开放模型的发展至关重要。
  • 这个数据集包括从37个仓库中派生的19,000个非测试任务实例
  • 利用SWE-bench-train，论文发布了两个微调模型，SWE-Llama 7b和13b，基于CodeLlam模型
    • 在某些设置中，SWE-Llama 13b与Claude 2竞争，并且能够处理超过100,000个标记的上下文