WideSWE：编程智能体能否协调跨代码仓库的修改？
WideSWE是一项用于评估编程智能体的基准测试，重点关注需要在多个代码仓库中协调修改的软件开发任务。研究团队分析了103个软件生态系统，构建了120项真实任务，其中包括60项漏洞修复和60项功能开发。在7种智能体配置中，完整任务成功率介于10.83%和42.50%之间；结合Codex CLI与GPT-5.6-sol的配置表现最佳。结果显示，智能体经常无法识别所有必要修改、未完成已识别的工作，或虽然修改了相关仓库，却未完全满足需求。研究还比较了逐个独立处理仓库与联合执行两种方式。独立执行主要能够弥补遗漏的工作，而联合执行则可以利用相关仓库的信息来指导实现和验证。代码已在GitHub上公开。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。