计算机科学 > 机器学习
[提交于 2025年5月30日
]
标题: 断点:大型语言模型代码代理的系统级推理可扩展评估
标题: Breakpoint: Scalable evaluation of system-level reasoning in LLM code agents
摘要: 大型语言模型(LLMs)的基准测试大多评估了短期、局部化的推理能力。现有的长期基准测试套件(例如 SWE-bench)依赖于人工精心策划的问题,因此扩展或调整难度需要昂贵的人力投入,并且评估很快就会达到饱和。然而,许多现实世界中的任务,如软件工程或科学研究,要求智能体能够快速理解并动态操纵新颖复杂的结构;评估这些能力需要构建大量且多样化的任务集供智能体解决。我们引入了 Breakpoint,这是一种通过对抗性地破坏真实世界软件存储库中的函数来自动生成代码修复任务的基准测试方法。Breakpoint 沿着两个明确的维度系统性地控制任务难度:局部推理(由代码复杂度指标如圈复杂度表征)和系统级推理(由调用图中心性和同时被破坏的相互依赖函数的数量表征)。在超过 900 个生成的任务实验中,我们证明了该方法可以扩展到任意难度,最先进的模型的成功率从最简单任务的 55% 下降到最难任务的 0%。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.