論文の概要: SWE-at-Scale: Scalable Issue Synthesis from Historical Bug Fixes

• arxiv url: http://arxiv.org/abs/2610.21359v1
• Date: Thu, 15 Oct 2026 06:39:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.233171
• Title: SWE-at-Scale: Scalable Issue Synthesis from Historical Bug Fixes
• Title（参考訳）: SWE-at-Scale: 歴史的バグフィックスからのスケーラブルな問題生成
• Abstract要約: SWE-at-Scaleは、現実世界のソフトウェア修正をリバースエンジニアリングすることで、現実的な問題を自動で合成するフレームワークである。 SWE-at-Scaleは現在のベースラインよりも多様で現実的なSWEタスクを生成する。 注目すべきなのは、SWE-at-Scaleは単一のコード合成から別個のバグタイプを生成することができることだ。
• 参考スコア（独自算出の注目度）: 31.895377285674385
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As coding agents become increasingly capable, robust evaluation requires a broader and more diverse supply of verifiable software engineering (SWE) tasks. However, real-world tasks are constrained by the natural frequency of issue reporting and the substantial cost of manual curation. Furthermore, existing synthetic approaches rely primarily on the pretrained knowledge of large models coupled with heuristic prompting, often failing to capture the authentic, complex mechanics of software failures. To exponentially scale SWE task production, we introduce SWE-at-Scale, a framework that automatically synthesizes realistic issues by reverse-engineering real-world software fixes. Our key insight is that historical fixes encapsulate deep mechanistic knowledge of bug formation: inverting a fix transforms repair supervision into bug-induction supervision grounded in actual development scenarios. SWE-at-Scale transfers these learned bug patterns to novel code contexts, repeatedly sampling diverse bug typologies to construct executable SWE tasks. Extensive experiments show that SWE-at-Scale generates more diverse and realistic SWE tasks than current synthesis baselines while posing greater challenges to state-of-the-art coding agents. Notably, SWE-at-Scale can generate distinct bug types from a single code context, with bug diversity scaling robustly even up to 200 generations per file. Overall, SWE-at-Scale turns finite real-world fixes into reusable supervision for scalable synthesis of realistic, diverse, and challenging SWE tasks.
• Abstract（参考訳）: コーディングエージェントがますます有能になるにつれて、堅牢な評価には、検証可能なソフトウェアエンジニアリング(SWE)タスクのより広範な、より多様な供給が必要である。 しかし、現実のタスクは問題報告の自然な頻度と手作業によるキュレーションのかなりのコストによって制約される。 さらに、既存の合成アプローチは、主にヒューリスティックなプロンプトと組み合わされた大きなモデルの事前訓練された知識に依存しており、しばしばソフトウェア失敗の真の複雑な力学を捉えることに失敗する。 実世界のソフトウェア修正をリバースエンジニアリングすることで,現実的な問題を自動生成するフレームワークであるSWE-at-Scaleを導入する。 私たちの重要な洞察は、歴史的修正がバグ生成に関する深い機械的知識をカプセル化していることです。 SWE-at-Scaleはこれらの学習したバグパターンを新しいコードコンテキストに転送し、様々なバグタイプを繰り返しサンプリングして実行可能なSWEタスクを構築する。 大規模な実験により、SWE-at-Scaleは現在の合成基準よりも多様で現実的なSWEタスクを生成しつつ、最先端のコーディングエージェントにより大きな課題を提起している。 注目すべきなのは、SWE-at-Scaleは単一のコードコンテキストから別のバグタイプを生成することができることだ。 全体として、SWE-at-Scaleは、現実的で多様で挑戦的なSWEタスクのスケーラブルな合成のために、有限の実世界の修正を再利用可能な監視に変換する。

関連論文リスト

• Adding Robust Code-Switching Capabilities to High Performance Multilingual ASR [61.09730719510015]
  言語間の形態的変化を含む複雑なコードスイッチングを扱うために、モデルを拡張します。 提案手法は、コードスイッチされた単語の書き起こし誤りを32.87%削減し、WER全体の5.31%改善し、モノリンガル性能を維持した。
  論文  参考訳（メタデータ） (2026-06-20T11:02:29Z)
• Combinatorial Synthesis: Scaling Code RLVR via Atomic Decomposition and Recombination [70.27578249309103]
  RLVR(Reinforcement Learning with Verifiable Rewards)は、大規模言語モデル(LLM)の顕著なコーディング能力を形成する基盤として登場した。 我々は、原子要素への分解と制御された再結合によって検証可能なコードタスクを生成する新しいフレームワークであるAtomic Decomposition and Recombination (ADR)を提案する。 私たちの仕事は、新しいコードタスク合成とスケーラブルなRLVRトレーニングのための新しいパラダイムに光を当てています。
  論文  参考訳（メタデータ） (2026-05-29T09:29:32Z)
• SWE-Hub: A Unified Production System for Scalable, Executable Software Engineering Tasks [10.106518618464888]
  SWE-Hubは、データファクトリの抽象化を運用するエンドツーエンドシステムである。 環境の自動化、スケーラブルな合成、多様なタスク生成をコヒーレントなプロダクションスタックに統合する。
  論文  参考訳（メタデータ） (2026-02-28T09:53:48Z)
• Beyond Quantity: Trajectory Diversity Scaling for Code Agents [51.71414642763219]
  Trajectory Diversity Scalingは、コードエージェントのためのデータ合成フレームワークである。 TDScalingは、(1)実際のサービスの論理的依存関係をキャプチャするBusiness Clusterメカニズム、(2)軌道コヒーレンスを強制するブループリント駆動のマルチエージェントパラダイム、(3)ロングテールシナリオを指向する適応的な進化メカニズムの4つの革新を統合しています。
  論文  参考訳（メタデータ） (2026-02-03T07:43:03Z)
• SWE-rebench: An Automated Pipeline for Task Collection and Decontaminated Evaluation of Software Engineering Agents [31.921127664873882]
  LLMベースのエージェントは、SWE(Software Engineering)タスクの増加に期待できる能力を示している。 高品質なトレーニングデータは、特に現実世界のSWEシナリオを反映したデータが少ない。 既存のデータセットはワンショットのコード生成に限られるか、小さな手作業による対話的なタスクのコレクションで構成されている。
  論文  参考訳（メタデータ） (2025-05-26T18:01:00Z)
• Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
  リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。 本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。 STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。 様々な密集した予測タスクと多様な意味クラス予測を統一する。
  論文  参考訳（メタデータ） (2025-05-18T07:39:17Z)
• SWE-Synth: Synthesizing Verifiable Bug-Fix Data to Enable Large Language Models in Resolving Real-World Bugs [10.70881967278009]
  本稿では,現実的な検証可能な,プロセス対応のバグフィックスデータセットをリポジトリレベルで合成するフレームワークであるSWE- Synthを紹介する。 手作業で収集したデータセットと比較して、文脈的豊かさと正確さを保ちながら、最小限の人的労力でスケールする。 この結果から,APRとソフトウェア工学の自動化の最先端を推し進めるために,人工エージェント生成データの可能性を強調した。
  論文  参考訳（メタデータ） (2025-04-20T22:37:43Z)
• Compositional Generalization and Decomposition in Neural Program Synthesis [59.356261137313275]
  本稿では,学習プログラムシンセサイザーの合成一般化能力の測定に焦点をあてる。 まず、プログラム合成法が一般化されるであろういくつかの異なる軸を特徴付ける。 2つの一般的な既存のデータセットに基づいて、これらの能力を評価するためのタスクのベンチマークスイートを導入する。
  論文  参考訳（メタデータ） (2022-04-07T22:16:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。