已往一年，，，，，，大模子写代码的能力险些以肉眼可见的速率提升。。。 。。。。。从简朴剧本到完整功效模浚�？？？椋�，，，GPT、Claude、DeepSeek 等模子已经能够在几秒钟内天生看起来相当 “专业” 的代码。。。 。。。。。
这种能力的提升，，，，，，让许多人最先认真思索一个问题：AI 能不可真正加入到软件工程的焦点流程中？？？？？
但越靠近真实开发，，，，，，这个问题就越显得重大。。。 。。。。。由于在工业界，，，，，，“写出一段能跑的代码” 远远不敷。。。 。。。。。
代码是否能被合并，，，，，，取决于它能否通过完整的一连集成（Continuous Integration，，，，，，简称 CI）流水线——这是一种在代码开发历程中，，，，，，通过自动化的构建、测试和代码检查，，，，，，确保每一次改动都能在真实工程情形下稳固运行的机制。。。 。。。。。
别的，，，，，，代码还需切合项目规范、经得起代码审查，，，，，，并在多轮修改中坚持稳固可靠。。。 。。。。。遗憾的是，，，，，，现有主流代码评测基准，，，，，，险些都停留在“能否通过几个单位测试”的层面。。。 。。。。。
SwingArena 的起点，，，，，，正是填补这块恒久缺失的评测空缺。。。 。。。。。
该论文已被ICLR 2026正式吸收。。。 。。。。。现在，，，，，，SwingArena 已实现全栈开源。。。 。。。。。
论文问题：SwingArena: Competitive Programming Arena for Long-context GitHub Issue Solving论文链接：https://arxiv.org/abs/2505.23932项目链接：https://swing-bench.github.io/
从 “写对代码” 到 “通过审查”，，，，，，
评测逻辑需要一次转向
在古板评测中，，，，，，模子面临的是一个高度简化的问题：给定函数署名和说明，，，，，，只要输出能通过测试的实现即可。。。 。。。。。这种设定关于权衡基础编程能力是有用的，，，，，，但它忽略了真实软件开发中最要害的一环 ——审查与迭代。。。 。。。。。
在现实中，，，，，，一段代码往往要履历多个回合的反响与修改，，，，，，才华最终被接受。。。 。。。。。CI 系统会自动检查编译、测试、代码气概和潜在危害，，，，，，而审查者则会从逻辑准确性、界线情形和可维护性等角度一直提出质疑。。。 。。。。。这种历程，，，，，，实质上是一种一连博弈。。。 。。。。。
SwingArena 将这种博弈引入评测之中。。。 。。。。。它不再让模子 “单打独斗”，，，，，，而是通过对抗式设定，，，，，，让两个模子划分饰演 “提交者” 和 “审查者”，，，，，，在真实 CI 情形中重复交锋。。。 。。。。。
提交者需要写出足够稳健的补丁才华通过流水线，，，，，，而审查者则试图通过全心设计的测试袒露潜在问题。。。 。。。。。最终的得分，，，，，，完全由真实执行效果决议。。。 。。。。。
真实工程情形，，，，，，意味着真实重漂后
要让评测真正贴近工业场景，，，，，，仅有对抗机制还不敷。。。 。。。。。另一个更现实的挑战在于：真实项目的代码规模，，，，，，远远凌驾了大模子的上下文窗口。。。 。。。。。
一个常见的开源客栈往往包括数万行代码，，，，，，漫衍在数百个文件中。。。 。。。。。模子不可能 “通读全库”，，，，，，只能在极其有限的上下文中做判断。。。 。。。。。SwingArena 因此设计了一套完整的检索增强流水线 RACG（Retrieval-Augmented Code Generation），，，，，，试图在 “给模子几多代码” 与 “给对代码” 之间取得平衡。。。 。。。。。
RACG 的焦点思绪，，，，，，是先通过经典信息检索要领快速缩小文件规模，，，，，，再以语法结构为单位对代码举行切块，，，，，，并使用语义模子举行精排。。。 。。。。。在严酷的 token 预算下，，，，，，系统会动态调解上下文粒度，，，，，，确保模子看到的是最要害、最相关的代码片断，，，，，，而不是噪声。。。 。。。。。
消融实验显示，，，，，，这种分层检索战略，，，，，，能够显著提升补丁定位的准确率，，，，，，相比仅使用要害词匹配，，，，，，Top-10 掷中率提升凌驾一倍。。。 。。。。。这意味着模子不但是 “写代码”，，，，，，而是在更靠近人类工程师的认知规模内事情。。。 。。。。。
当模子真正对抗，，，，，，差别才最先展现
在 SwingArena 的评测中，，，，，，一个有趣的征象逐渐浮现：差别模子在工程决议上的 “性格差别”，，，，，，被亘古未有地放大了。。。 。。。。。
以 GPT-4o 为例，，，，，，它在提交者角色中体现得极为激进，，，，，，往往能够快速天生足以击败敌手测试的补�。。。 。。。。。�，，，因此胜率很高。。。 。。。。。但这种战略的价钱是 CI 通过率并不稳固，，，，，，代码在规范性和鲁棒性上更容易泛起问题。。。 。。。。。
相比之下，，，，，，DeepSeek 和 Gemini 的体现则显着更为守旧。。。 。。。。。它们天生的代码气概越发规范，，，，，，通过 CI 的概率也更高，，，，，，尤其在多语言场景下展现出更强的稳固性。。。 。。。。。这类差别，，，，，，在古板基准中往往被 “平均分” 所掩饰，，，，，，而在对抗式评测中却变得很是直观。。。 。。。。。
更主要的是，，，，，，这些效果为现实应用提供了清晰的参考：当目的是快速原型和探索性开发时，，，，，，激进战略可能更有用；；；； ；；；而在生产情形和恒久项目中，，，，，，稳固性显然更主要。。。 。。。。。
从评测到实践：
为什么 SwingArena 值得被重视
SwingArena 的意义，，，，，，并不但仅在于提出了一个新的 benchmark。。。 。。。。。它更主要的价值，，，，，，在于推动了一次评测视角的转变：从 “功效准确性” 走向 “工程可用性”。。。 。。。。。
通过将 CI 流水线、代码审查和多轮迭代引入评测历程，，，，，，SwingArena 让我们第一次能够系统性地回覆这样的问题：哪些模子真的适合进入生产情形？？？？？在差别工程场景下，，，，，，应该怎样选择和使用它们？？？？？又该怎样设计更切合现实需求的 AI 编程助手？？？？？
在论文匿名期竣事后，，，，，，SwingArena 将完整开源，，，，，，包括数据集、评测框架、检索流水线以及所有实验复现代码。。。 。。。。。团队希望，，，，，，这套框架不但能成为研究者较量模子的新工具，，，，，，也能为工业界评估和落地 AI 编程能力提供参考。。。 。。。。。
当 AI 天生的代码真正走进 CI 流水线，，，，，，评测的标准，，，，，，也必需随之升级。。。 。。。。。
SwingArena，，，，，，正是向华诺生物科技有限公司这个偏向迈出的一步。。。 。。。。。