中国人民大学发布 4818 个真实任务实例的开源训练集，专治 Agent 仓库级代码生成，把 Qwen3-30B 通过率从 5.8% 拉到 47.2%
中国人民大学发布 4818 个真实任务实例的开源训练集，专治 Agent 仓库级代码生成，把 Qwen3-30B 通过率从 5.8% 拉到 47.2%
OpenAI Codex 新增 OSS 模式，支持通过 model_providers 配置接入 Ollama、LM Studio 等本地模型服务，可切换模型降低成本。
过去一年 SWE-bench 这类基准推动 Code Agent 学会了"改 bug""补条件判断"，但真实软件开发往往是理解需求、规划架构、创建文件、设计 API、处理依赖、打通模块，最终让整个仓库在测试中跑通。这种 long-horizon repository-level generation 任务，前沿模型在 BeyondSWE-Doc2Repo、NL2RepoBench 上表现并不理想。中国人民大学高瓴人工智能学院近日发布的 DeNovoSWE 数据集正是冲着这个缺口——它是首个面向长程 Doc2Repo 任务的开源高质量训练集，包含 4818 个真实任务实例，把 Qwen3-30B-A3B-Instruct 在 BeyondSWE-Doc2Repo 上的通过率从 5.8% 拉到 47.2%。本文拆解它的设计哲学、方法和使用方式，为训练自家 Code Agent 的团队提供资源参考。
一句话定义：一个让 Code Agent 从文档生成完整可运行仓库的开源训练集。
论文 arxiv.org/abs/2606.10728，仓库 github.com/AweAI-Team/DeNovoSWE。
DeNovoSWE 把任务难度推向了一个根本变化：不再是 issue-level fixing，而是 whole-repository generation。
在传统 SWE 任务中，Agent 面对的是已有仓库，只需定位 bug、修改局部代码、通过测试。DeNovoSWE 中，Agent 面对的是被清理后的环境：
这意味着 Agent 必须真正依赖文档完成整个仓库的重建：规划项目结构、创建模块文件、定义公开接口、实现跨文件交互、处理依赖和配置，并在多轮编辑与测试反馈中不断修复错误。任何 API 签名、返回字段、异常类型或默认行为的偏差都可能导致测试失败；错误还会在长程过程中累积——一个早期设计不合理的模块会影响后续多个文件和调用链。
DeNovoSWE 的核心思想是：让文档既可读、可实现，又可验证。在 document-to-repository generation 中，文档不只是 README，而是 Agent 重建整个仓库的唯一任务入口。
仓库级任务天然复杂，包含多个模块、接口、配置、数据结构和交互流程。如果文档只是把函数说明堆在一起，Agent 容易迷失在碎片信息中。高质量文档应该：
文档既不能太少（任务变成欠定义问题，模型靠漫无边际猜才能通过 evaluation），也不能太多（直接泄漏实现细节，让任务失去挑战）。真正高质量的文档应该描述 evaluation 所依赖的关键行为：
也就是说，文档要足以让 Agent 复现可测试行为，但不能变成实现代码的拷贝。
DeNovoSWE 通过 Divide & Conquer 与 Critic & Repair 机制构造高质量数据集。
DeNovoSWE 不是人工手写文档，而是通过 sandboxed multi-agent workflow 自动构建高质量实例，整个方法分两步。
系统分析目标仓库，将其拆解为多个 repository capabilities。每个 capability 对应仓库中的一个核心能力或工作流（认证与连接、数据读写、批处理、导出流程等）。同时：
使用 Draft-Critic-Repair 机制逐能力生成文档：
最终，不同能力文档被合并成一份完整的任务文档，作为 Agent 从零生成仓库的唯一依据。
Draft-Critic-Repair 循环确保文档与 evaluation 严格对齐，避免泄漏与缺失。
为处理不同仓库的难度差异，DeNovoSWE 提出 difficulty-aware trajectory filtering：
根据结构复杂度和 LLM 难度判断，为不同难度区间设置不同过滤阈值。这对长程任务尤其重要——越复杂的仓库越难一次性通过所有测试，但其中的困难仓库、低分、部分成功的轨迹仍包含宝贵的长程规划与实现能力。
DeNovoSWE 最终构建了 4818 个高质量 document-to-repository 任务实例，实验结果证明了"长程数据"的不可替代性。
| 数据集 | BeyondSWE-Doc2Repo | NL2RepoBench |
|---|---|---|
| 原始模型 | 5.8% | 4.3% |
| Scale-SWE-Agent（普通 SWE 数据训练） | 29.2% | 18.3% |
| DeNovoSWE 训练 | 47.2% | 23.0% |
普通 issue-level SWE 数据确实有迁移效果，但 DeNovoSWE 把效果再提升一大截。这说明：面向"修 bug"的数据不能完全替代面向"生成完整仓库"的长程数据。
实验证明 DeNovoSWE 对长程仓库生成能力带来显著提升。
在 Qwen3.5-35B-A3B 上，DeNovoSWE 同样带来稳定收益：
进一步说明收益不是偶然适配某一个模型，而是来自高质量长程数据本身。
https://arxiv.org/pdf/2606.10728https://github.com/AweAI-Team/DeNovoSWEhttps://huggingface.co/collections/AweAI-Team/denovoswe💡 提示：如果你的 Code Agent 在 SWE-bench 上表现不错但面对"从零搭一个仓库"就抓瞎，DeNovoSWE 是目前最直接可用的训练数据。建议先用其 difficulty-aware 过滤后的子集做小规模 SFT 验证，再决定是否扩规模。