evalstone/evalscope/docs/zh/benchmarks/deep_swe.md

DeepSWE

概述

DeepSWE 是一个用于评估仓库级软件工程任务的编码智能体基准测试。EvalScope 通过 Pier 集成该基准，并将每个基准样本作为一项 Pier Python API 任务运行。

任务描述

• 任务类型：智能体软件工程
• 输入：包含任务元数据和验证器资源的 DeepSWE 任务目录
• 输出：由 Pier 内置智能体生成的代码仓库补丁
• 评分方式：二值验证器奖励，以 acc 形式暴露

评估说明

• 要求 Python>=3.12、Docker，以及执行 pip install evalscope[deep_swe]
• 数据集默认使用 ModelScope 上的 evalscope/deep-swe
• DeepSWE 在 EvalScope 中通过 Pier 的 Docker 环境运行
• 对于不支持 Responses API 的 OpenAI 兼容提供商，请使用 pier_agent_kwargs={'model_class': 'litellm'}

属性

属性	值
基准测试名称	deep_swe
数据集ID	evalscope/deep-swe
论文	无
标签	Agent, Coding, MultiTurn
指标	accuracy
默认示例数	0-shot
评估划分	test

数据统计

指标	值
总样本数	113
提示词长度（平均）	2158.07 字符
提示词长度（最小/最大）	471 / 5385 字符

样例示例

子集: test

{
  "input": [
    {
      "id": "f61040e0",
      "content": "Add a new `errorStack` constructor option to SuperJSON. Omitting it leaves existing Error behavior unchanged.\n\nThe option shape is `{ mode?, normalizeNewlines?, trimLeadingWhitespace?, maxStackLines?, stripInternalFrames?, redactPaths?, inclu ... [TRUNCATED 3577 chars] ... ): Processor | undefined`. `normalizeErrorStackOptions` returns `undefined` for any non-object input (`null`, `undefined`, strings).\n\nBefore writing, read through the existing error serialization logic and the `allowedErrorProps` mechanism.\n\n"
    }
  ],
  "target": "",
  "id": 0,
  "group_id": 0,
  "metadata": {
    "ext_id": "kh701jywhzgddknqwzsq6npjv98226tq",
    "task_id": "superjson-error-stack-serialization",
    "display_title": "Add error stack serialization to SuperJSON",
    "display_description": "Add configurable serialization and restoration of error stacks, stack frames, causes, and sanitization in SuperJSON.",
    "repo": "flightcontrolhq/superjson",
    "repository_url": "https://github.com/flightcontrolhq/superjson.git",
    "original_title": "Error Stack Serialization Support",
    "category": "feature_request",
    "language": "typescript",
    "task_path": "~/.cache/evalscope/deep_swe/snapshots/evalscope/deep-swe/tasks/superjson-error-stack-serialization",
    "task_toml_path": "~/.cache/evalscope/deep_swe/snapshots/evalscope/deep-swe/tasks/superjson-error-stack-serialization/task.toml",
    "instruction": "Add a new `errorStack` constructor option to SuperJSON. Omitting it leaves existing Error behavior unchanged.\n\nThe option shape is `{ mode?, normalizeNewlines?, trimLeadingWhitespace?, maxStackLines?, stripInternalFrames?, redactPaths?, inclu ... [TRUNCATED 3577 chars] ... ): Processor | undefined`. `normalizeErrorStackOptions` returns `undefined` for any non-object input (`null`, `undefined`, strings).\n\nBefore writing, read through the existing error serialization logic and the `allowedErrorProps` mechanism.\n\n"
  }
}

提示模板

提示模板:

{question}

额外参数

参数	类型	默认值	描述
task_ids	list	[]	可选的 DeepSWE 任务 ID 列表，用于指定评估范围。
languages	list	[]	可选的任务语言过滤器，基于清单元数据。
categories	list	[]	可选的任务类别过滤器，基于清单元数据。
sample_seed	int	``	可选的确定性打乱种子，在限制样本数量前应用。
pier_agent_kwargs	dict	{}	传递给 Pier AgentConfig.kwargs 的额外关键字参数。

使用方法

使用 CLI

evalscope eval \
    --model YOUR_MODEL \
    --api-url OPENAI_API_COMPAT_URL \
    --api-key EMPTY_TOKEN \
    --datasets deep_swe \
    --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=['deep_swe'],
    dataset_args={
        'deep_swe': {
            # 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)