通义灵码 SWE-GPT：从静态代码建模迈向软件开发过程长链推理

5 0 0

文章摘要

通义灵码团队在其最新论文《An Open Development-Process-Centric Language Model for Automated Software Improvement》中提出了面向程序改进的软件工程大模型Lingma SWE-GPT，该模型在SWE-bench Verified基准上自动解决了超过30%的真实GitHub issue，接近闭源模型的表现。Lingma SWE-GPT系列包括7B和72B两个版本，通过学习和模拟真实的代码提交活动，实现了对软件改进流程的全面理解。

Lingma SWE-GPT的方法包括三个主要阶段：issue和pull request数据收集、开发过程数据合成和模型训练。该模型基于Qwen2.5系列基础模型，以问题描述和相关项目代码库为输入，采用多阶段工作流程，模拟专家程序员的认知过程，学习中间问题解决过程和补丁生成，然后利用合成数据进行迭代模型训练。

在SWE-bench-Verified基准上的实验评估显示，Lingma SWE-GPT 72B成功解决了30.20%的GitHub问题，相较Llama 3.1 405B的性能提升了22.76%，接近封闭源模型（GPT-4解决了31.80%问题）的表现。Lingma SWE-GPT 7B解决了18.20%的问题，超过了Llama 3.1 70B的17.20%解决率，展示了小型模型在AI软件工程师中的应用潜力。

Lingma SWE-GPT在代码块、函数和文件级别上展现了出色的故障定位能力，其表现接近闭源模型GPT-4o。未来，作者计划进一步扩展Lingma SWE-GPT的功能和应用范围，增加对更多编程语言的支持，并探索支持更多的端到端软件工程任务。随着通义灵码团队持续优化和扩展其能力，Lingma SWE-GPT将在支持开发者、提升生产力和改善软件质量方面发挥越来越重要的作用，推动AI辅助软件工程领域的发展。