站内快照 · 国内可打开。外网原文可能无法访问。
- 论文公开站arXiv
SWE-Serve：面向生产推理服务的智能体工程基准
SWE-Serve: Benchmarking Agentic Engineering For Production Inference Serving
摘要显示，SWE-Serve 是一个评估智能体完成生产级推理工程任务的基准，包含 53 个源自 SGLang 近期生产变更的仓库级任务，覆盖六大推理工程类别，任务在 CPU 或单张 H100 上执行，采用隐藏功能与回归测试、E2E 服务测试及性能门槛评估。在 11 个模型、31 种配置中，最佳配置平均 pass@1 为 75%，但在 19 个端到端任务中，约三分之一通过局部测试的补丁被服务级 E2E 测试拒绝，暴露出局部完成与生产正确性之间的显著差距。
意义：该基准首次系统衡量智能体在生产推理服务中的端到端正确性，揭示局部通过率与真实部署要求之间的落差，为 AI 编码智能体的评估与改进提供更贴近生产的标尺。