ScaleSWE
收藏资源简介：
ScaleSWE数据集来源于6M+的pull请求和23000+的仓库，覆盖5200个仓库，包含100k高质量实例和71k来自DeepSeek v3.2的轨迹（3.5B token）。该数据集是目前最大的真实可执行开源SWE数据集，包含20,000个SWE任务实例。
The ScaleSWE dataset is derived from over 6 million pull requests across more than 23,000 repositories, covering 5,200 repositories in total. It consists of 100,000 high-quality instances and 71,000 trajectories generated by DeepSeek v3.2, with a total of 3.5 billion tokens. As the largest real-world executable open-source SWE dataset to date, it includes 20,000 SWE task instances.
ScaleSWE 数据集概述
数据集基本信息
- 数据集名称：ScaleSWE
- 发布机构：AweAI-Team
- 发布日期：2026-02-26
- 论文标题：Immersion in the GitHub Universe: Scaling Coding Agents to Mastery
- 论文链接：https://arxiv.org/abs/2602.09892
- 许可证：CC BY 4.0
- 数据获取：https://huggingface.co/collections/AweAI-Team/scale-swe
数据规模与来源
- 数据来源：源自超过600万个拉取请求和超过23000个代码仓库。
- 覆盖范围：涵盖5200个代码仓库。
- 实例数量：包含10万个高质量实例。
- 蒸馏轨迹：包含来自DeepSeek v3.2的7.1万条轨迹，共计35亿个令牌。
- 当前发布：已发布2万个SWE任务实例，是目前最大的开源可执行SWE数据集。
数据内容与格式
- 编程语言：当前为Python。
- 核心字段：
instance_id：唯一标识符，格式为{user}_{repo}_pr{id}。user：GitHub仓库所有者。repo：GitHub仓库名称。language：代码库的编程语言。workdir：环境内的工作目录路径。image_url：任务预构建Docker镜像的URL。patch：来自对应拉取请求的真实补丁（Golden Patch）。pr_commit：拉取请求的提交哈希。parent_commit：父提交（基础状态）的提交哈希。problem_statement：描述问题的议题说明，作为模型输入。f2p_patch：开发者编写的测试补丁，包含修复前失败的测试（如果可用）。f2p_script：由单元测试创建代理生成的合成复现脚本。FAIL_TO_PASS：在错误版本上失败但在修复后通过的单元测试。PASS_TO_PASS：在两个版本中都通过的单元测试（回归测试）。github_url：原始GitHub仓库的URL。pre_commands：进入容器后必须立即执行的命令，用于检出正确的提交。
性能表现
- 训练模型：在合成轨迹上对Qwen-30B-A3B-Instruct进行了微调。
- 评估结果：在SWE-bench-Verified上达到64%的通过率。
引用信息
@misc{zhao2026immersiongithubuniversescaling, title={Immersion in the GitHub Universe: Scaling Coding Agents to Mastery}, author={Jiale Zhao and Guoxin Chen and Fanzhe Meng and Minghao Li and Jie Chen and Hui Xu and Yongshuai Sun and Xin Zhao and Ruihua Song and Yuan Zhang and Peng Wang and Cheng Chen and Jirong Wen and Kai Jia}, year={2026}, eprint={2602.09892}, archivePrefix={arXiv}, primaryClass={cs.SE}, url={https://arxiv.org/abs/2602.09892}, }
