SWE-build

该数据集包含了代码补丁相关的信息，如补丁的ID、补丁内容、补丁状态的转换（失败到成功、成功到成功）、图片名称、代码仓库、问题陈述、GitHub链接、文件数量、编程语言以及创建、更新和推送的时间。数据集分为训练集，包含9个示例，大小为410160字节。

原始信息汇总

SWE-build数据集概述

数据集基本信息

• 数据集名称：SWE-build
• 存储位置：https://huggingface.co/datasets/gwc000/SWE-build
• 数据量：410,160字节
• 下载大小：158,456字节
• 样本数量：9个训练样本

数据结构特征

数据字段

• instance_id：字符串类型，实例标识符
• patch：字符串类型，代码补丁
• FAIL_TO_PASS：字符串类型，失败到通过的转换
• PASS_TO_PASS：字符串类型，通过到通过的转换
• image_name：字符串类型，镜像名称
• repo：字符串类型，代码仓库
• problem_statement：字符串类型，问题描述
• github_url：字符串类型，GitHub链接
• file_count：int64类型，文件数量
• language：字符串类型，编程语言
• created_at：字符串类型，创建时间
• updated_at：字符串类型，更新时间
• pushed_at：字符串类型，推送时间

数据划分

• 训练集：包含9个样本，占用410,160字节

数据配置

• 配置名称：default
• 数据文件路径：data/train-*

搜集汇总

数据集介绍

构建方式

在软件工程领域，SWE-build数据集通过系统化方法收集真实世界代码库中的补丁实例，每个样本包含实例标识、补丁内容及测试状态转换信息。构建过程基于GitHub平台的开源项目，筛选具有明确问题描述和修复记录的代码变更，确保数据来源的可靠性和时效性。通过提取FAIL_TO_PASS和PASS_TO_PASS等关键字段，完整记录了代码修复前后的状态演变，为软件缺陷修复研究提供了结构化基础。

特点

该数据集以多维度特征见长，涵盖代码补丁、仓库元数据及问题描述等核心要素。其独特之处在于同时捕获测试失败到通过（FAIL_TO_PASS）与测试通过到通过（PASS_TO_PASS）的代码变更路径，完整呈现软件演化的不同场景。数据集还集成开发环境上下文，包括文件数量、编程语言和时间戳等信息，为分析代码修复模式提供了丰富的语义特征和时空维度。

使用方法

使用者可通过标准数据加载接口访问训练集分割，直接获取包含实例ID、补丁内容和测试状态的结构化数据。典型应用场景包括代码自动修复模型的训练与验证，通过对比FAIL_TO_PASS与PASS_TO_PASS样本可深入理解软件维护机制。研究人员还可结合GitHub链接追溯完整开发历史，利用多语言代码样本开展跨编程语言的软件工程实证研究。

背景与挑战

背景概述

随着软件工程领域对自动化代码修复技术的迫切需求，SWE-build数据集应运而生，聚焦于程序补丁生成与验证的核心研究问题。该数据集由前沿研究机构构建，通过收集真实GitHub仓库中的代码变更记录，系统化地呈现了从测试失败到测试通过的程序演化轨迹。其创新性地整合了多维度特征如问题描述、代码补丁和版本元数据，为智能编程辅助系统提供了关键训练资源，显著推动了自动化软件维护技术的研究进程。

当前挑战

在解决程序自动修复问题时，模型需精准理解复杂代码语义并生成符合测试要求的有效补丁，这要求同时克服语法正确性与功能等价性的双重约束。数据集构建过程中，研究人员面临真实场景代码变更稀疏性的挑战，需从海量提交记录中筛选具有完整测试状态转换的样本。此外，跨项目代码风格的差异性以及测试用例覆盖度的不均衡性，进一步增加了数据标准化与质量控制的难度。

常用场景

经典使用场景

在软件工程领域，SWE-build数据集为自动化程序修复研究提供了重要支持。该数据集通过收集真实GitHub仓库中的代码补丁，构建了从测试失败到测试通过的转换实例，成为评估代码修复模型性能的核心基准。研究者利用其结构化数据训练机器学习模型，模拟开发者在实际项目中识别和修正代码缺陷的过程，显著提升了自动化调试系统的准确性和泛化能力。

实际应用

在工业实践中，SWE-build数据集支撑的自动化修复技术已应用于持续集成流程。开发团队可借助基于该数据集训练的模型，快速定位构建失败的根本原因，并生成符合编码规范的修复建议。这种技术显著缩短了软件调试周期，在大型分布式系统维护中尤为突出，为GitHub等代码托管平台的智能辅助开发功能提供了核心技术支撑。

衍生相关工作

该数据集催生了多项具有影响力的衍生研究，包括基于深度学习的程序补丁生成框架和代码变更分析工具。研究者通过扩展其数据范式开发出支持多编程语言的修复系统，如结合抽象语法树分析的神经网络模型。这些工作不仅完善了自动化软件维护的理论体系，还推动了智能编程助手、代码审查自动化等实际应用的发展与落地。