首個AI軟件工程師Devin正式亮相，立即引爆了整個技術(shù)界。

Devin不僅能夠輕松解決編碼任務，更可以自主完成軟件開發(fā)的整個周期——從項目規(guī)劃到部署，涵蓋但不限于構(gòu)建網(wǎng)站、自主尋找并修復 BUG、訓練以及微調(diào)AI模型等。

這種 “強到逆天” 的軟件開發(fā)能力，讓一眾碼農(nóng)紛紛絕望，直呼：“程序員的末日真來了？”

在一眾測試成績中，Devin在SWE-Bench基準測試中的表現(xiàn)尤為引人注目。

SWE-Bench是一個評估AI軟件工程能力的測試，重點考察大模型解決實際 GitHub 問題的能力。

Devin以獨立解決13.86%的問題率高居榜首，“秒殺”了GPT-4僅有的 1.74%得分，將一眾AI大模型遠遠甩在后面。

這強大的性能讓人不禁浮想聯(lián)翩：“未來的軟件開發(fā)中，AI將扮演怎樣的角色？”

上海人工智能實驗室聯(lián)合字節(jié)跳動SE Lab的研究人員以及SWE-Bench團隊，提出了一個新測試基準DevBench，首次揭秘大模型在多大程度上可以從PRD出發(fā)，完成一個完整項目的設(shè)計、開發(fā)、測試。

具體地說，DevBench首次對大模型進行了從產(chǎn)品需求文檔（PRD）到完整項目開發(fā)各階段表現(xiàn)的評測，包括軟件設(shè)計、依賴環(huán)境搭建、代碼庫級別代碼生成、集成測試和單元測試。

實驗證明，DevBench可以揭露GPT、CodeLlama、DeepSeek-Coder 等大語言模型在軟件研發(fā)不同階段的能力短板，如面向?qū)ο缶幊棠芰Σ蛔?/strong>、無法編寫較為復雜的構(gòu)建腳本（build script），以及函數(shù)調(diào)用參數(shù)不匹配等問題。

大語言模型距離可以獨立完成一個中小規(guī)模的軟件項目開發(fā)還有一段路要走。

目前，DevBench的論文已經(jīng)發(fā)布在預印平臺arXiv，相關(guān)代碼和數(shù)據(jù)開源在GitHub上。（鏈接見文末）

DevBench 有哪些任務？

△ 圖為DevBench框架概覽

傳統(tǒng)的編程基準測試往往關(guān)注代碼生成的某個單一方面，無法全面反映現(xiàn)實世界編程任務的復雜性。

DevBench的出現(xiàn)，打破了這一局限，它通過一系列精心設(shè)計的任務，模擬軟件開發(fā)的各個階段，從而提供了一個全面評估LLM能力的平臺。

DevBench圍繞五個關(guān)鍵任務構(gòu)建，每個任務都關(guān)注軟件開發(fā)生命周期的一個關(guān)鍵階段，模塊化的設(shè)計允許對每個任務進行獨立的測試和評估。

軟件設(shè)計：利用產(chǎn)品需求文檔PRD創(chuàng)建UML圖和架構(gòu)設(shè)計，展示類、屬性、關(guān)系，以及軟件的結(jié)構(gòu)布局。該任務參考MT-Bench，采用LLM-as-a-Judge的評測方式。評測主要依據(jù)兩個主要指標：軟件設(shè)計一般原則（如高內(nèi)聚低耦合等）和忠實度（faithfulness）。

環(huán)境設(shè)置：根據(jù)提供的需求文檔，生成初始化開發(fā)環(huán)境所需的依賴文件。在評測過程中，該依賴文件將在給定的基礎(chǔ)隔離環(huán)境（docker container）內(nèi)通過基準指令進行依賴環(huán)境搭建。隨后在這個模型搭建的依賴環(huán)境中，該任務通過執(zhí)行代碼倉的基準示例使用代碼（example usage），評估執(zhí)行基準代碼的成功率。

代碼實現(xiàn)：依據(jù)需求文檔和架構(gòu)設(shè)計，模型需要完成整個代碼庫的代碼文件生成。DevBench開發(fā)了一個自動化測試框架，并針對所使用的具體編程語言進行了定制，集成了Python的PyTest、C++的GTest、Java的JUnit和JavaScript的Jest。該任務評估模型生成代碼庫在基準環(huán)境中執(zhí)行基準集成測試和單元測試的通過率。

集成測試：模型根據(jù)需求，生成集成測試代碼，驗證代碼庫的對外接口功能。該任務在基準實現(xiàn)代碼上運行生成的集成測試，并報告測試的通過率。

單元測試：模型根據(jù)需求，生成單元測試代碼。同樣，該任務在基準實現(xiàn)代碼上運行生成的單元測試。除了通過率指標外，該任務還引入了語句覆蓋率評價指標，對測試全面性的進行定量評估。

DevBench 包含哪些數(shù)據(jù)？

DevBench數(shù)據(jù)準備過程包括三個階段：倉庫準備、代碼清理和文檔準備。

• 在準備階段，研究人員從GitHub中選擇高質(zhì)量的倉庫，確保它們的復雜性可管理。
• 在代碼清理階段，標注人員驗證代碼的功能性，對其進行精煉，并補充和運行測試以確保質(zhì)量。
• 文檔準備階段涉及為倉庫創(chuàng)建需求文檔、 UML圖和架構(gòu)設(shè)計。

最終，DevBench的數(shù)據(jù)集包含4個編程語言，多個領(lǐng)域，共22個代碼庫。這些代碼倉庫的復雜性和所使用編程范式的多樣性為語言模型設(shè)置了巨大的挑戰(zhàn)。

幾個有趣的例子：

TextCNN

大模型能完整地寫一個TextCNN做文本二分類的模型嗎？能夠自己把數(shù)據(jù)集從HF拉下來，把訓練跑起來是基本要求。還需模型按照文檔的需求定制超參數(shù)、記錄log、存儲checkpoint、同時保證實驗可復現(xiàn)性。

（https://github.com/open-compass/DevBench/tree/main/benchmark_data/python/TextCNN）

Registration & Login

前端項目往往依賴較多的組件庫和前端框架，模型是否能夠在可能出現(xiàn)版本沖突的前端項目中應對自如？

（https://github.com/open-compass/DevBench/tree/main/benchmark_data/javascript/login-registration）

People Management

模型對SQLite數(shù)據(jù)庫的創(chuàng)建和管理掌握的怎么樣？除了基本的增刪改查操作，模型能否將校園人員信息和關(guān)系數(shù)據(jù)庫的管理和操作封裝成易用的命令行工具？

（https://github.com/open-compass/DevBench/tree/main/benchmark_data/cpp/people_management）

Actor Relationship Game

“六度分隔理論”在影視圈的猜想驗證？模型需要從TMDB API獲取數(shù)據(jù)，并構(gòu)建流行演員們之間通過合作電影進行連接的人際連系網(wǎng)。

(https://github.com/open-compass/DevBench/tree/main/benchmark_data/java/Actor_relationship_game)

ArXiv digest

ArXiv論文檢索小工具也被輕松拿捏了？ArXiv的API并不支持“篩選最近N天的論文”的功能，但卻可以“按發(fā)表時間排序”，模型能夠以此開發(fā)一個好用的論文查找工具嗎？

(https://github.com/open-compass/DevBench/tree/main/benchmark_data/python/ArXiv_digest)

實驗發(fā)現(xiàn)

研究團隊利用DevBench對當前流行的LLMs，包括GPT-4-Turbo進行了全面測試。結(jié)果顯示，盡管這些模型在簡單的編程任務中表現(xiàn)出色，但在面對復雜的、真實世界的軟件開發(fā)挑戰(zhàn)時，它們?nèi)匀挥龅搅酥卮罄щy。特別是在處理復雜的代碼結(jié)構(gòu)和邏輯時，模型的性能還有待提高。

DevBench不僅揭示了現(xiàn)有LLMs在軟件開發(fā)中的局限性，也為未來模型的改進提供了寶貴的洞見。通過這一基準測試，研究人員可以更好地理解 LLMs的強項和弱點，從而有針對性地優(yōu)化它們，推動AI在軟件工程領(lǐng)域的進一步發(fā)展。

此外，DevBench 框架的開放性和可擴展性意味著它可以持續(xù)適配不同的編程語言和開發(fā)場景。DevBench 還在發(fā)展過程中，非常歡迎社區(qū)的朋友參與共建。

Devin 在 SWE-Bench 上一路領(lǐng)先，它的優(yōu)異表現(xiàn)可以擴展到其他評測場景嗎？隨著 AI 軟件開發(fā)能力的持續(xù)發(fā)展，這場碼農(nóng)和 AI 的較量讓人倍感期待。

還有OpenCompass大模型評測體系

DevBench現(xiàn)已加入OpenCompass司南大模型能力評測體系，OpenCompass是上海人工智能實驗室研發(fā)推出的面向大語言模型、多模態(tài)大模型等各類模型的一站式評測平臺。

OpenCompass具有可復現(xiàn)、全面的能力維度、豐富的模型支持、分布式高效評測、多樣化評測范式以及靈活化拓展等特點?；诟哔|(zhì)量、多層次的能力體系和工具鏈，OpenCompass 創(chuàng)新了多項能力評測方法，支持各類高質(zhì)量的中英文雙語評測基準，涵蓋語言與理解、常識與邏輯推理、數(shù)學計算與應用、多編程語言代碼能力、智能體、創(chuàng)作與對話等多個方面，能夠?qū)崿F(xiàn)對大模型真實能力的全面診斷。DevBench更是拓寬了 OpenCompass 在智能體領(lǐng)域的評測能力。

DevBench論文：https://arxiv.org/abs/2403.08604
GitHub：https://github.com/open-compass/devBench/
OpenCompass https://github.com/open-compass/opencompass