Skip to content
KI-Werkzeug

SWEbench Bewertung

SWEbench ist ein Benchmark zur Bewertung der Software-Engineering-Fähigkeiten großer Sprachmodelle, der sich hauptsächlich auf Fehlerbehebungen aus realen GitHub-Problemen konzentriert.

shipped 1. Juni 2026aifreemium
ai
SWEbench - AI tool for swebench. Professional illustration showing core functionality and features.

Warum es wichtig ist

1SWE-bench Verified, veröffentlicht am 13. August 2024, umfasst 500 von Ingenieuren bestätigte lösbare Probleme.
2Am 27. Juni 2024 wechselte SWE-bench zu einem vollständig containerisierten Bewertungs-Framework, das Docker für verbesserte Reproduzierbarkeit nutzt.
3Mit Stand vom 2. April 2024 erzielte SWE-agent hochmoderne Ergebnisse auf dem vollständigen SWE-bench Testset.
4SWE-Smith Multilingual wurde erweitert, um JavaScript mit 6.099 validierten Patches bis zum 13. Januar 2026 zu unterstützen.

Stork’s verdict on SWEbench

SWEbench bietet eine reproduzierbare Bewertung der Fähigkeiten von LLMs zur Fehlerbehebung, aber es ist ein Benchmark für Forscher, kein Codierungstool für Ingenieure.

SWEbench reviewed by Stork AI · stork.ai/de/swebench

Spezifikationen

API verfügbar

Ja, öffentliche API

overview

Was ist SWEbench?

SWEbench ist ein Benchmark-Tool, das von einer Forschungsinitiative entwickelt wurde, um Entwicklern und Forschern von Large Language Models (LLM) die Bewertung der Software-Engineering-Fähigkeiten großer Sprachmodelle zu ermöglichen. Es konzentriert sich hauptsächlich auf die Beurteilung der Fähigkeit von AI-Coding-Agenten, reale Softwareprobleme von GitHub zu lösen. Diese Plattform simuliert komplexe Programmierherausforderungen, indem sie eine Codebasis und eine Problembeschreibung bereitstellt und das LLM beauftragt, einen Patch zu generieren, der das Problem löst. SWEbench dient als rigorose Bewertungsplattform für AI in der Softwareentwicklung, indem es AI-Coding-Agenten hinsichtlich ihrer Fähigkeit bewertet, tatsächliche Fehler zu verstehen, zu navigieren und zu beheben oder Funktionen innerhalb großer, bestehender Codebasen zu implementieren. Ziel ist es, AI-Modelle dazu anzutreiben, Codierungsstandards, Produktivität und Fehlerbehebung durch das Setzen hoher Benchmarks zu verbessern.

features

Hauptmerkmale von SWEbench

SWEbench bietet eine umfassende Reihe von Funktionen, die für die rigorose Bewertung und Entwicklung von AI-Coding-Modellen konzipiert sind, mit Fokus auf reale Software-Engineering-Herausforderungen.

  • Bewertet die Software-Engineering-Fähigkeiten großer Sprachmodelle bei realen Problemen.
  • Konzentriert sich hauptsächlich auf Fehlerbehebungen aus GitHub-Problemen für praktische Relevanz.
  • Unterstützt das Training von AI-Coding-Modellen mithilfe vorverarbeiteter Datensätze.
  • Ermöglicht die Ausführung von Inferenz auf bestehenden AI-Modellen zur Lösung von Softwareproblemen.
  • Ermöglicht die Erstellung neuer SWE-bench Aufgaben aus benutzerdefinierten Repositories.
  • Erleichtert das Benchmarking und den Vergleich der Leistung verschiedener AI-Coding-Systeme.
  • Bietet ein vollständig containerisiertes Bewertungs-Framework, das Docker für reproduzierbare Bewertungen nutzt.
  • Enthält SWE-bench Verified, eine Untermenge von 500 von Ingenieuren bestätigten lösbaren Problemen.
  • Bietet SWE-bench Multimodal, das Probleme mit visuellen Elementen wie Bildern und Diagrammen integriert (Stand: 13. Januar 2025).
  • Bietet cloudbasierte Bewertungen über Modal (Stand: 11. Januar 2025).

use cases

Wer sollte SWEbench nutzen?

SWEbench wurde für spezifische Zielgruppen entwickelt, die sich mit der Entwicklung, Bewertung und Anwendung von künstlicher Intelligenz im Software-Engineering befassen.

  • Entwickler und Forscher von Large Language Models (LLM): Zur Bewertung von LLMs bei realen Software-Engineering-Aufgaben und zum Leistungsvergleich.
  • AI-Systementwickler: Zum Benchmarking und Vergleich der Leistung verschiedener AI-Codierungssysteme und zur Verbesserung des Software Development Life Cycle (SDLC).
  • Software-Ingenieure und Engineering-Teams: Zur Identifizierung realer Programmierfähigkeiten von AI-Agenten und zur potenziellen Integration von AI zur Fehlerbehebung.
  • Machine Learning Praktiker: Zum Training von AI-Codierungsmodellen mithilfe vorverarbeiteter Datensätze und zur Ausführung von Inferenz auf bestehenden AI-Modellen.
  • NLP-Forscher: Zur Erforschung der Anwendung von Natural Language Processing bei komplexen Aufgaben des Code-Verständnisses und der Code-Generierung.

pricing

SWEbench Preise & Pläne

SWEbench basiert auf einem Freemium-Modell und dient hauptsächlich als Forschungs-Benchmark. Der Kern-Benchmark, Datensätze und das Bewertungs-Framework sind in der Regel kostenlos verfügbar und unterstützen akademische Forschungs- und Entwicklungsbemühungen. Spezifische kommerzielle oder Enterprise-Angebote mit erweiterten Funktionen oder dediziertem Support sind nicht öffentlich detailliert.

  • Kostenlose Stufe: Zugang zu Kern-Benchmark, Datensätzen und Bewertungstools für Forschungs- und akademische Zwecke.
  • Premium-Stufen: Nicht öffentlich detailliert; Potenzial für Enterprise- oder erweiterte Bewertungsdienste kann bestehen, ist aber nicht spezifiziert.

Ähnliche Tools

SWEbench vs. Wettbewerber

SWEbench ist als führender Benchmark zur Bewertung der End-to-End-Software-Engineering-Fähigkeiten von LLMs positioniert, wobei der Schwerpunkt insbesondere auf realen Fehlerbehebungen liegt. Es unterscheidet sich von anderen Benchmarks durch seinen Fokus auf authentische GitHub-Probleme und die Problemlösung auf Repository-Ebene.

1

HumanEval is a benchmark dataset developed by OpenAI specifically for evaluating large language models on code generation tasks, focusing on understanding programming tasks and producing syntactically correct and functionally accurate code.

SWEbench focuses on real-world bug fixes in existing codebases, requiring models to handle long contexts and operate within execution environments. HumanEval, in contrast, primarily assesses the ability to generate standalone functions from docstrings and unit tests, making it a simpler, function-level code generation benchmark.

2
LiveCodeBench

LiveCodeBench evaluates LLMs on 400 problems from competitive programming platforms, focusing on code generation, self-repair, and test output prediction, with problems updated over time to reduce data contamination.

While SWEbench focuses on fixing real-world bugs in existing repositories, LiveCodeBench emphasizes competitive programming challenges and the ability to self-repair code, often using problems released after a model's training cutoff to ensure genuine generalization.

3

ClassEval is a manually constructed benchmark that measures how well LLMs can generate full classes of code, including tasks with library, field, or method dependencies, reflecting real-world software engineering scenarios.

SWEbench evaluates bug-fixing capabilities within large, existing codebases, whereas ClassEval specifically assesses the generation of complete, interdependent code classes, moving beyond isolated functions to more complex structural coding tasks.

4

APPS is a large-scale code generation benchmark comprising 10,000 problems collected from open-access competitive coding websites, ranging from one-line solutions to substantial algorithmic challenges.

SWEbench is centered on resolving real-world software issues and generating patches for bugs in existing repositories. APPS, conversely, evaluates an LLM's ability to generate satisfactory Python code from natural language specifications, primarily focusing on algorithmic problem-solving rather than bug fixing in a pre-existing codebase.

5
Real-World Software Engineering Tasks (Upwork Benchmark)

This benchmark evaluates LLMs on real-world software engineering tasks sourced directly from Upwork freelance jobs, including both coding ability and engineering management decisions, with actual dollar values attached.

Both SWEbench and this benchmark focus on real-world software engineering problems. However, the Upwork benchmark uniquely ties performance to economic value and includes higher-level engineering management decisions, whereas SWEbench is specifically focused on generating patches to fix GitHub issues.

AI Reputation Report

Is SWEbench yours?

ChatGPT, Perplexity, Gemini, Claude & Grok answer buyer questions about SWEbench every day. See whether they name SWEbench — or send buyers to a rival.