一项名为Longtail-SWE的新基准测试已被开发出来,用于评估编码代理在13种代表性不足的编程语言中的软件工程任务。该基准测试包含20个来自GitHub issue和pull request的真实世界任务,并配有可执行环境和测试。采用了一种新颖的求解器-裁判-修复器管道来完善任务描述和测试,通过纠正可能拒绝有效替代实现或接受不正确解决方案的问题,确保更可靠的评估。 AI
影响 增强了AI编码代理的评估能力,尤其是在不太常见的编程语言方面。
排序理由 发布了用于评估AI模型的新学术基准测试。[lever_c_demoted from research: ic=1 ai=1.0]
在 Hugging Face Daily Papers 阅读 →
- Clojure
- Dart
- ELIXIR
- Erlang
- F#
- GitHub
- Haskell
- Hugging Face
- Julia
- Kotlin
- Longtail-SWE
- Lua
- nebius/Longtail-SWE
- nebius/Longtail-SWE-trajectories
- OCaml
- R
- Scala
- Swift
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →