新智元報道

編輯：LRST

【新智元導讀】大語言模型正加速重塑軟件工程領域的各個環(huán)節(jié)，從需求分析到代碼生成，再到自動化測試，幾乎無所不能，但衡量這些模型到底「好不好用」、「好在哪里」、「還有哪些短板」，一直缺乏系統(tǒng)、權威的評估工具。浙江大學、新加坡管理大學、加拿大渥太華大學等機構的研究團隊，首次對291個用于評估LLMs在軟件工程任務中的Benchmark進行了系統(tǒng)綜述，為AI4SE社區(qū)繪制了一份詳盡的「基準地圖」與方法指南。

近年來，ChatGPT、Llama等大語言模型在軟件工程領域的能力突飛猛進，從需求分析、代碼生成到測試與維護幾乎無所不能。但一個核心問題是：我們如何客觀評估這些模型在不同軟件工程任務中的表現(xiàn)？

在SE領域，Benchmark既是分數(shù)卡，讓不同模型在同一標準下比拼；也是方向盤，引導技術改進與未來研究方向。

然而，現(xiàn)有LLM-SE Benchmark存在三大痛點：

• 零散分布：缺乏覆蓋全流程的軟件工程任務Benchmark綜述

• 構建方式各異：評估指標、數(shù)據(jù)來源五花八門，難以橫向比較

• 研究空白：此前從未有系統(tǒng)文獻綜述全面匯總軟件工程相關的大語言模型Benchmark

這使得開發(fā)者和研究者在選擇評估方法時常陷入「信息孤島」，甚至可能被不全面的評估結果誤導。

為填補這一空白，來自浙江大學、新加坡管理大學、渥太華大學等機構的團隊開展了一項系統(tǒng)文獻綜述，首次全面梳理了291個用于評估大語言模型在軟件工程任務中的Benchmark，并從任務覆蓋、語言分布、構建方式到未來趨勢進行了深入分析。

論文鏈接：https://arxiv.org/pdf/2505.08903

圖1 綜述框架總覽

研究聚焦三大核心問題：

• 現(xiàn)有LLM-SE Benchmark有哪些？

• 它們是如何構建的？

• 它們面臨哪些挑戰(zhàn)與改進機會？

為了確保全面、系統(tǒng)，研究人員開展「地毯式搜索」：

數(shù)據(jù)來源：覆蓋IEEE Xplore、ACM DL、ScienceDirect、Springer Link等八大數(shù)據(jù)庫；

• 補充檢索：采用前向與后向的「滾雪球」檢索，確保重要Benchmark不遺漏；

• 嚴格篩選：設置包含與排除標準，剔除與LLM-SE無關或信息不全的Benchmark；

• 質量評估：從描述清晰度、SE相關性、方法嚴謹性、可復現(xiàn)性、學術影響五個維度打分；

• 最終成果：匯總291個在2025年6月前發(fā)表的Benchmark，按任務、語言、構建方式等多維度分類分析。

六大任務全覆蓋

Benchmark演化脈絡清晰

圖2 Benchmark年份分布

統(tǒng)計顯示，自2022年起B(yǎng)enchmark數(shù)量快速增長，2023和2024年分別新增近70個，增長勢頭迅猛。

圖3 Benchmark語言分布

Python在評估Benchmark中一騎絕塵，主要用于代碼生成與推薦類任務；Java、C++、C語言在質量分析與維護任務中占有重要地位；Go、PHP、Ruby等小眾語言的Benchmark仍然稀缺。

圖4 Benchmark任務分布

任務分布（六大類）

• 需求與設計（25個）：需求獲取、分類、沖突檢測、規(guī)格化與驗證；

• 編碼輔助（124個）：代碼生成、補全、摘要、多語言遷移（占比超40%，最多）；

• 軟件測試（25個）：測試生成、GUI測試、斷言生成、自動修復；

• AIOps（6個）：日志生成與解析；

• 軟件維護（13個）：代碼審查、克隆檢測、代碼重構；

• 質量管理（111個）：缺陷檢測、漏洞識別、修復建議（占比38%）。

其中「編碼輔助」任務相關Benchmark數(shù)量最多，占比超過40%，其次是質量管理類任務，占比達38%。

現(xiàn)實挑戰(zhàn)

Benchmark還遠遠不夠用！

研究指出，當前Benchmark建設存在五大瓶頸：

• 任務定義模糊、評價不一致：缺乏統(tǒng)一標準，難以橫向對比；

• 規(guī)模受限、計算成本高：多數(shù)數(shù)據(jù)集規(guī)模偏小，覆蓋不了復雜系統(tǒng)；

• 泛化能力不足：Benchmark表現(xiàn)好，真實場景卻「水土不服」；

• 更新滯后：難以及時跟進新技術與框架；

• 數(shù)據(jù)隱私限制：真實企業(yè)數(shù)據(jù)難以共享，影響高質量Benchmark建設。

未來機會

Benchmark建設仍是「藍海」

團隊提出了五大改進方向：

• 多維評估：引入準確率、可維護性、效率、安全性、可解釋性等指標；

• 跨語言、跨任務：統(tǒng)一評估框架，提升通用性；

• 貼近真實場景：引入真實項目數(shù)據(jù)，提高落地性；

• 人類反饋與倫理考量：納入有害性檢測、隱私風險等維度；

• 動態(tài)可擴展平臺：支持任務擴展、新模型接入與持續(xù)測評。

總結

Benchmark是推動LLM落地的「發(fā)動機」

正如作者所言——當前LLM在軟件工程中的應用正處于「黃金發(fā)展期」，但真正能驅動其走向工業(yè)落地、提升工程可信度的，是那些更真實、更多維、更動態(tài)的Benchmark體系。

這項研究不僅填補了LLM軟件工程評估的綜述空白，也為AI4SE研究者、開發(fā)者和企業(yè)提供了清晰的「下一步方向」。

如果說模型是「馬達」，Benchmark就是「方向盤」。誰能把握住它，誰就能在AI軟件工程的未來之路上走得更遠。

參考資料：

https://arxiv.org/pdf/2505.08903