🔴 保留 · `DeNovoSWE: Scaling Long-Horizon Environments for Generating Entire Repositories from Scratch`

类型：arxiv
标识：2606.10728
链接：https://arxiv.org/abs/2606.10728
主题：agent, database, engineering, evaluation, llm-infra, multimodal, rag, risk
主分类：evaluation
形态：benchmark
被引：2
被引来源：Semantic Scholar
S2被引：2
OpenAlex被引：0
影响力被引：0
TLDR：Fine-tuning Qwen3-30B-A3B on DeNovoSWE substantially improves long-horizon SWE performance, raising its score on the challenging BeyondSWE-Doc2Repo benchmark from 5.8% to 47.2%.
OpenAlex ID：W7164170284
OpenAlex DOI：10.48550/arxiv.2606.10728
DOI：10.48550/arxiv.2606.10728
DOI来源：OpenAlex
开放获取：green
开放获取链接：https://doi.org/10.48550/arxiv.2606.10728
OpenAlex更新：2026-07-19
标题中文：🔴 保留 · DeNovoSWE: Scaling Long-Horizon Environments for Generating Entire Repositories from Scratch
TLDR中文：在 DeNovoSWE 上对 Qwen3-30B-A3B 进行微调可显著提升长程 SWE 性能，在具有挑战性的 BeyondSWE-Doc2Repo benchmark 上将其得分从 5.8% 提升至 47.2%。
待LLM分类：否
来源文件：
/inbox/jay/2026-06-12-night-arxiv-engineering-llm-agents.md
[S2 enrich]
[OpenAlex backfill]

可复用信息

- 可信度：⭐⭐⭐⭐⭐ | SWE-bench 原班团队背景，专注长程仓库级代码生成
- 主题标签：SWE-bench Code Generation Long-Horizon Repository Generation Benchmark
工程核心：
- 指出 SWE-bench 的双重局限：①对强模型区分度下降；②Issue 级别任务无法充分测试长程仓库级推理
- 提出从零生成整个代码库的评测环境
- 与现有 benchmarks（BeyondSWE, NL2Repo, ProgramBench）的横向对比
保留理由：代码生成从"单文件修复"到"整库生成"的能力边界探索，对评估 AI coding agent 真实生产力的工程意义重大。
链接：https://arxiv.org/html/2606.10728v1