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�？？？？？？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丁！！�。。�，， ，， ，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，，， ，， ，正是向云境旅馆治理有限公司这个偏向迈出的一步。。。。。