slimshetty/swebench-verified 镜像使用指南

一、镜像概述与核心定位

slimshetty/swebench-verified 镜像由 Slim Shetty（AI 编程助手 R2E-Gym 项目核心参与者）发布，专为 SWE-Bench Verified 基准提供预配置的容器环境。该镜像封装了基准数据集、测试工具与适配的运行时环境，旨在避免手动搭建依赖，确保 AI 编程助手性能验证实验的可复现性。

核心特性

• 基准环境：完整集成 SWE-Bench Verified 权威编程任务基准的运行环境，支持数据集加载与测试执行
• 一键部署：预装必要的 Python 环境、测试框架与依赖库，开箱即用
• 项目适配：针对 R2E-Gym 等项目优化，支持快速复现「34.4% Pass@1」「64.4% Pass@Any」等性能指标
• 实验复现：确保基于 SWE-Bench Verified 的开发、测试与评估任务具备一致性与可复现性

二、适用场景

2.1 AI 编程助手性能验证

• 模型测试：在 SWE-Bench Verified 基准上快速测试自研 AI 编程模型
• 性能对比：与 R2E-Gym 项目发布的性能指标进行对比评估
• 结果复现：使用 R2E-Gym 开源资源（如 32B 规模的 R2EGym-32B 模型）复现实验

2.2 基准工具开发

• 验证器开发：开发适配 SWE-Bench Verified 的代码生成结果验证工具（如混合验证器）
• 测试用例生成：构建面向该基准的自动化测试用例生成工具
• 辅助工具调试：调试与基准集成的各类辅助工具链

2.3 开源资源部署

• 数据集部署：快速部署包含 8100 个可执行环境的合成数据集
• 模型部署：一键启动 R2E-Gym 项目的开源模型与训练轨迹
• 实验流程：复现从数据集加载到模型评估的完整实验流程

三、前置准备

3.1 硬件与软件要求

3.2 网络环境

• 首次使用需联网下载基准数据集或相关资源
• 如需访问 Hugging Face 等平台，建议配置***或镜像加速

四、镜像启动与使用

4.1 镜像拉取

bash
docker pull xuanyuan.cloud/r/slimshetty/swebench-verified:latest

4.2 容器启动

4.2.1 基础启动模式

bash
docker run -d \
  --name swebench-verified \
  -p 8888:8888 \
  -v /宿主机/数据路径:/app/data \
  -v /宿主机/结果路径:/app/results \
  xuanyuan.cloud/r/slimshetty/swebench-verified:latest

参数说明：

• -p 8888:8888：映射容器端口（如提供 Web 界面或 API 服务）
• -v：挂载数据与结果目录到宿主机，避免数据丢失

4.2.2 GPU 加速模式

如需运行大型模型，启用 GPU 支持：

bash
docker run -d \
  --name swebench-verified-gpu \
  --gpus all \
  -p 8888:8888 \
  -v /宿主机/数据路径:/app/data \
  -v /宿主机/结果路径:/app/results \
  xuanyuan.cloud/r/slimshetty/swebench-verified:latest

4.3 容器访问与交互

bash
# 查看容器运行状态
docker ps | grep swebench-verified

# 查看日志
docker logs -f swebench-verified

# 进入容器进行交互操作
docker exec -it swebench-verified /bin/bash

五、核心功能使用

5.1 基准数据集加载

容器启动后，进入容器加载 SWE-Bench Verified 数据集：

bash
docker exec -it swebench-verified /bin/bash

# 数据集加载示例（实际命令需参考项目文档）
python load_dataset.py --dataset swebench-verified --output /app/data

5.2 运行基准测试

使用内置的基准评估工具运行测试：

bash
# 运行完整基准评估
python run_benchmark.py --model your_model --dataset /app/data/swebench-verified

# 运行单个任务测试
python run_task.py --task task_name --output /app/results

5.3 性能评估与报告生成

bash
# 生成性能报告
python evaluate.py --results /app/results --output /app/results/report.json

# 对比性能指标
python compare_models.py --baseline r2egym --results /app/results

六、进阶使用

6.1 集成自定义模型

若需测试自研模型，将模型文件挂载到容器：

bash
docker run -d \
  --name swebench-custom \
  --gpus all \
  -v /宿主机/模型路径:/app/models \
  -v /宿主机/数据路径:/app/data \
  xuanyuan.cloud/r/slimshetty/swebench-verified:latest

容器内运行测试：

bash
python run_benchmark.py --model /app/models/your_model --dataset /app/data/swebench-verified

6.2 批量实验管理

可编写脚本批量运行不同配置的实验：

python
# batch_experiment.py
import subprocess
import json

# 实验配置列表
configs = [
    {"model": "r2egym-32b", "temperature": 0.0},
    {"model": "r2egym-32b", "temperature": 0.5},
]

# 批量运行
for config in configs:
    cmd = [
        "python", "run_benchmark.py",
        "--model", config["model"],
        "--temperature", str(config["temperature"]),
        "--output", f"/app/results/{config['model']}_t{config['temperature']}"
    ]
    subprocess.run(cmd)
    
print("批量实验完成！")

6.3 API 服务部署（如支持）

部分场景可能提供 API 服务，启动后访问：

bash
# API 服务地址（如适用）
http://localhost:8888/api/docs

七、常见问题与解决方案（FAQ）

八、性能指标参考

基于 SWE-Bench Verified 基准的性能指标（参考 R2E-Gym 项目）：

• Pass@1：首个生成结果通过测试用例的比例（R2E-Gym 达 34.4%）
• Pass@Any：任一生成结果通过测试用例的比例（R2E-Gym 达 64.4%）

实际性能取决于模型规模、超参数设置与硬件配置，建议根据自身需求调整配置。

九、参考资源

• **SWE-Bench **：<[]>
• R2E-Gym 项目：<[***]>（如有公开仓库）
• AI 编程助手相关论文与报告：搜索 "SWE-Bench Verified" "AI Coding Assistant" 等关键词

注意：具体的使用命令与配置需参考项目的***文档与 README 文件。建议先查看镜像的入口脚本或文档，了解实际提供的功能与接口。