AweAI-Team/DeNovoSWE-Trajectory-Raw

DeNovoSWE是一个用于从零开始生成整个软件仓库的长时程环境扩展数据集。它包含4,818个高质量实例，以及从34k个DeepSeek-v4-High轨迹中过滤出的11k条轨迹。数据集用于训练和评估代理在软件工程任务中的性能，例如基于文档重建仓库。数据格式包括实例ID、文档、PyPI包名、Docker镜像URL、GitHub用户和仓库信息、工作目录、单元测试标识符、测试补丁和测试二进制文件等字段。该数据集支持在长时程环境中进行软件仓库生成的研究和开发。DeNovoSWE is a dataset for scaling long-horizon environments for generating entire repositories from scratch. It contains 4,818 high-quality instances and 11k filtered trajectories from 34k DeepSeek-v4-High trajectories. The dataset is used for training and evaluating agents in software engineering tasks, such as repository reconstruction from documentation. The data format includes fields like instance_id, document, pypi_name, image_url, user, repo, workdir, unit_test, test_patch, and test_binary_files. It supports research and development in generating software repositories in long-horizon environments.

搜集汇总

数据集介绍

构建方式

DeNovoSWE-Trajectory-Raw数据集源自于对开源代码仓库生成任务的深度探索，旨在为长期跨度的软件工程环境提供高质量的轨迹数据。该数据集从约34,000条由DeepSeek-v4-High模型生成的原始轨迹中，经过严格筛选与精炼，最终保留了11,000条有效轨迹，并由此构建出4,818个高质量实例。每个实例均包含唯一的实例标识符、供智能体重建仓库的真实文档、实施反作弊机制的PyPI包名、预配置的Docker镜像地址、源代码仓库所属的GitHub用户与仓库名、容器内的工作目录路径以及完整的单元测试信息等结构化字段。构建过程强调数据纯净性与任务真实性，为后续模型训练与评估奠定了坚实基础。

特点

该数据集的显著特点在于其大规模、高精度与强实用性。首先，实例数量达4,818个，轨迹规模超过11,000条，覆盖了多样化的代码仓库重建场景，为训练生成式模型提供了丰富的数据样本。其次，通过从海量原始轨迹中精细过滤，确保了每一条轨迹的语义连贯性与任务完成度，有效降低了噪声干扰。此外，数据集集成了详细的单元测试补丁、二进制测试文件及反作弊约束机制，使得评估过程更加严谨可靠。实验表明，基于该数据集训练的Qwen3.5-35B-A3B模型在BeyondSWE-Doc2Repo基准上取得了50%的成功率，充分验证了其促进大规模软件工程任务学习的潜力。

使用方法

使用DeNovoSWE-Trajectory-Raw数据集时，研究者可借助配套的AweAgent框架及其提供的评估方案进行模型的训练与测试。具体而言，用户需根据实例中的Docker镜像地址启动隔离环境，并将真实文档作为输入，引导智能体逐步生成完整的代码仓库。评估阶段需应用单元测试补丁与二进制文件，通过执行全部单元测试来验证生成仓库的功能正确性。最大交互轮次设置为500轮，序列长度上限为256k，温度参数设为1。数据集采用CC BY 4.0许可协议，便于学术研究与开源社区共享应用。

背景与挑战

背景概述

DeNovoSWE-Trajectory-Raw数据集由AweAI-Team团队于2026年创建，聚焦于从零生成完整软件仓库这一长周期环境中的代码生成任务。该数据集包含4,818个高质量实例，以及从34,000条DeepSeek-v4-High轨迹中筛选出的11,000条最优路径，旨在解决现有代码生成基准局限于单函数或单文件补全的不足。研究团队包括赵嘉乐、陈国新等学者，其核心研究问题在于探索如何让语言模型在复杂、多步骤的软件工程任务中实现端到端的仓库级代码生成。该数据集通过构建标准化的评估环境和监督微调轨迹，显著推动了软件工程与人工智能交叉领域的发展，为后续研究提供了可复现的基准和高质量训练数据，对自动化软件开发和智能编程助手的进步具有重要影响。

当前挑战

DeNovoSWE-Trajectory-Raw数据集面临的挑战包括：在领域问题层面，现有代码生成研究多局限于短视的代码补全或函数级生成，难以处理涉及多文件协作、依赖管理、测试验证的仓库级长周期任务，该数据集需解决如何有效模拟真实软件开发中的长期规划与执行连贯性问题。在构建过程中，挑战集中于从大规模模型生成的轨迹中筛选高质量实例，需要剔除无效、错误或冗余的路径，同时保证数据多样性和覆盖度；此外，为每个实例配置Docker环境、单元测试补丁及二进制文件，确保评估的可复现性和防作弊机制，对数据集的标准化和规模化扩展提出了技术和资源上的严峻考验。

常用场景

经典使用场景

在软件工程与人工智能的交叉领域，DeNovoSWE-Trajectory-Raw数据集专门用于训练和评估能够从零开始生成完整代码仓库的智能体。经典使用场景聚焦于长程任务规划，智能体需依据给定的自然语言文档，自主完成仓库结构设计、代码编写、依赖配置及单元测试整合等全流程操作。该数据集包含4818个高质量实例，每个实例均提供真实的PyPI包名以约束评估过程中的作弊行为，并配备Docker镜像环境模拟完整的开发沙盒。研究者和工程师可利用该数据集训练具备多步推理与持续修正能力的大语言模型，推动代码生成从片段补全迈向仓库级自主构建的新范式。

衍生相关工作

DeNovoSWE-Trajectory-Raw的发布催生了多项衍生性研究工作。其团队推出的AweAgent框架提供了标准化评估食谱，使研究者能直接在此数据集上复现和对比不同模型的仓库生成能力。后续工作探索了轨迹蒸馏技术，从34K条DeepSeek-v4-High轨迹中筛选出11K高质量样本，证实了数据筛选对模型性能的显著提升。BeyondSWE-Doc2Repo基准检验了从Qwen3.5-35B-A3B微调的模型达到50%的成功率，开创了轻量级模型在仓库生成任务中的可行路径。这些衍生工作共同构建了从数据构建、模型训练到评估验证的完整闭环，加速了该领域的理论积累与技术转化。

数据集最近研究

最新研究方向

随着大语言模型在代码生成领域取得突破性进展，从零开始生成完整软件仓库成为极具挑战的前沿研究方向。DeNovoSWE-Trajectory-Raw数据集应运而生，它包含4818个高质量实例和超过11000条经严格筛选的轨迹数据，源自DeepSeek-v4-High模型生成的34000条原始轨迹。该数据集专注于解决长周期环境下的仓储级代码生成任务，通过提供细粒度的文档、测试补丁及Docker环境配置，为智能体从零构建完整仓库提供了标准化评估基准。基于Qwen3.5-35B-A3B模型训练的DeNovoSWE在BeyondSWE-Doc2Repo基准上达到50%的成功率，显著推动了自动化软件工程向工业化应用迈进的步伐，其开源发布更将加速该领域研究生态的建设。