DeNovoSWE：面向完整代码库生成的长程软件工程数据集

DeNovoSWE是面向完整代码库生成的长程软件工程数据集，含4818个高质量实例，通过沙盒化智能体工作流自动构建（采用分治与批评修复策略）。该数据集使Qwen3-30B-A3B模型在BeyondSWE-Doc2Repo基准上性能从5.8%提升至47.2%。来源：arXiv论文《DeNovoSWE: Scaling Long-Horizon Environments for Generating Entire Repositories from Scratch》（链接：http://arxiv.org/abs/2606.10728v1，发布时间2026-06-09）。

基于大语言模型的代码智能体正从局部Bug修复向完整软件仓库生成进化，这涉及需求理解、架构设计等多环节，对长程规划能力要求更高。但训练此类智能体的核心障碍是缺乏大规模、可验证的完整仓库生成数据——人工标注成本高，现有开源代码库缺乏与高层规格的对应关系。

DeNovoSWE采用创新自动化流程构建：1.分而治之策略：将复杂仓库生成任务分解为子任务（如项目结构创建、核心模块实现）；2.批评-修复机制：生成代码经执行验证和批评模块审查（功能正确性、风格一致性等），发现问题触发修复；3.沙盒化环境：确保代码安全执行与自动化测试验证。

为平衡数据质量与多样性，引入难度感知轨迹过滤：1.难度评估维度：代码行数、文件数量、依赖复杂度、测试通过率等；2.分层采样：按难度等级分类，确保各层级分布合理；3.多样性保障：相似生成路径去重，保留代表性样本，避免过拟合。

用DeNovoSWE微调Qwen3-30B-A3B后，在BeyondSWE-Doc2Repo基准（测试完整仓库生成能力）得分从5.8%升至47.2%（8倍提升）。模型在项目结构创建、核心功能实现、跨模块协调等细分维度均有进步，尤其增强了复杂依赖处理与规划能力。

DeNovoSWE的意义：1.证明自动化生成高质量长程软件工程数据的可行性；2.分治与批评修复策略可推广到多文件编辑、大规模重构等复杂任务；3.难度感知筛选为训练数据构建提供新思路，分层采样比均匀采样更有效。

局限：主要覆盖Python项目，仓库规模较工业级仍有差距。未来方向：扩展至更多编程语言/框架、增加仓库规模复杂度、引入多样规格说明（自然语言需求、API契约等）、探索人机协作的交互式生成模式。