SWE-Bench ProMax:大規模多言語コードリファクタリングのベンチマーク
本文の状態
日本語全文を表示中
詳細モードで約2分の本文を読めます。
同じ出来事の情報源
この情報源を基点に整理
Hugging Face Daily Papers
既存ベンチマークの欠陥を解消し、7言語対応の170件からなる大規模コードリファクタリング評価セット「SWE-Bench ProMax」が公開され、最先端モデルでも解決率が4割にとどまる実証的な難易度を示した。
Continue in AI NEW LAB
このニュースを、実務の判断につなげる
AI NEW LABで、試したことや先に確認したい条件を共有できます。まずはログインなしで読めます。
AI NEW LABで論点を見るAI深層分析を開く2026年8月11日 12:01
AI深層分析
キーポイント
既存ベンチマークの深刻な欠陥指摘
直近の監査により、SWE-bench Verifiedの未解決インスタンスの約60%にテストの過小評価や過大評価といった欠陥があり、最前端モデルが学習データから正解を丸写ししている可能性が示された。
多言語・大規模リファクタリングベンチの構築
Python, Java, TypeScriptなど7言語の実際のコミットから選定した170件のインスタンスを専門家手作業でキュレーションし、曖昧な記述や範囲の狭いテストを排除して難易度を高めた。
実証された高い難易度と未飽和状態
最新モデルでも解決率は41.2%にとどまり、平均11.4ファイル・261.6行のコード変更を要する本ベンチが現在のAIコーディングエージェントにとって有意義で未飽和な課題であることを確認した。
重要な引用
a recent audit found that nearly 60% of unsolved SWE-bench Verified instances contain flawed tests
frontier models can verbatim reproduce gold patches from training data
the best model achieves only 41.2% resolve rate
編集コメントを表示
編集コメント
既存ベンチマークの信頼性を揺るがす深刻な指摘と、それを補完する高品質な評価セットの公開は、AI エージェントの実用化に向けた重要なマイルストーンである。特に大規模かつ多言語にわたるリファクタリングタスクにおけるモデルの限界を浮き彫りにしており、今後の技術開発の方向性を示唆している。
Source Article
元記事を日本語で読む
本文に関係しない購読案内、埋め込み通知、サイト内プロモーションは除いています。
AI コーディングエージェントが、より複雑で長期にわたるソフトウェアエンジニアリングタスクを担うようになると、既存のベンチマークは急速に飽和し、その評価品質に対する厳格な検証が必要となっています。最近の監査では、解決不能とされた SWE-bench Verified のインスタンスの約 60% に欠陥のあるテストが含まれていることが判明しました。具体的には、正しい解決策を却下してしまう過度に狭いテストや、明示されていない要件までチェックしようとする過度に広いテストです。さらに、最先端モデルがトレーニングデータからゴールドパッチをそのまま再現できることも確認されています。
コードリファクタリングは、多くのファイルにわたって協調的かつ動作を保つ変更を必要とするため、エージェントの能力に対するより困難で現実的なテストとなりますが、現在のベンチマークではまだ十分にカバーされていません。そこで私たちは「SWE-Bench ProMax」を発表します。これは、Python、Java、TypeScript、Go、C、C++、Rust の 7 つのプログラミング言語にまたがるリアルなコミットから抽出した 170 インスタンスからなる、専門家によって厳選された多言語コードリファクタリング用のベンチマークです。
各インスタンスは、既存のベンチマークで指摘された品質問題に直接取り組むための厳格な多段階キュレーションプロセスを経ています。課題の説明はゼロから書き直され、正確で曖昧さのない仕様が提供されます。また、テストスイートも手動で見直し、過度に狭いまたは広いテストを排除しています。
複雑さが不十分またはファイル間でのスコープが限定的なタスクは除外され、難易度の高い大規模なリファクタリング課題のみを集めたベンチマークが作成されました。このベンチマークでは、1 つのインスタンスあたり平均 11.4 ファイルが修正され、261.6 行のコードが含まれています。これは既存のベンチマークを大幅に上回るスケールです。
最先端モデルを対象に、2 つ異なるエージェント構成で実験を行った結果、最良のモデルでも解決率は 41.2% に留まりました。この結果は、SWE-Bench ProMax が現在の AI コーディングエージェントにとって有意義かつ未飽和な課題であることを示しています。
本ベンチマークは https://huggingface.co/datasets/swe-bench-promax/SWE-Bench-ProMax で公開されています。
原文を表示
As AI coding agents take on increasingly complex, long-horizon software engineering tasks, existing benchmarks are rapidly saturating and their evaluation quality has come under serious scrutiny: a recent audit found that nearly 60% of unsolved SWE-bench Verified instances contain flawed tests -- either overly narrow tests that reject correct solutions or overly broad tests that check unstated requirements -- and that frontier models can verbatim reproduce gold patches from training data. Code refactoring, which requires coordinated, behavior-preserving changes across many files, offers a substantially harder and more realistic test of agent capability, yet remains underserved by current benchmarks. We introduce SWE-Bench ProMax, an expert-curated, multilingual code refactoring benchmark of 170 instances drawn from real commits across seven programming languages (Python, Java, TypeScript, Go, C, C++, and Rust). Every instance undergoes rigorous, multi-stage curation that directly addresses the quality problems identified in prior benchmarks: issue descriptions are rewritten from scratch to provide precise, unambiguous specifications, and test suites are manually reviewed to remove overly narrow and overly broad tests. Tasks with insufficient complexity or limited cross-file scope are filtered out, yielding a benchmark of challenging, large-scale refactoring tasks that average 11.4 modified files and 261.6 lines of code per instance, substantially exceeding the scale of existing benchmarks. Experiments with frontier models under two agent scaffolds show that the best model achieves only 41.2% resolve rate, confirming that SWE-Bench ProMax presents a meaningful and unsaturated challenge for current AI coding agents. Our benchmark is available at https://huggingface.co/datasets/swe-bench-promax/SWE-Bench-ProMax.
関連記事
News to Guide
ニュースの次に確認する
発表内容を、現在の料金や仕様と照らし合わせられる関連ガイドです。
今日のまとめ
AIデイリーブリーフで今日の重要ニュースをまとめ読み