📖 AI 总结

SWE-Serve 是 NVIDIA 联合 SGLang 团队开发的评测基准，用于检验 AI 编程智能体在推理服务工程中的真实表现。它基于 83 个已合并的 SGLang 拉取请求构建了 53 项任务，覆盖模型启用、解码、缓存、调度、服务 API 和分布式执行六大类。关键发现是：在 19 项包含实时服务检查的任务中，同一补丁在排除实时验证时通过率为 69.4%，但经过完整验证后骤降至 45.9%，意味着约三分之一的补丁虽能通过其他测试，却在实际服务路径中失败。跨多个运行时域的任务通过率比单一域任务低 21.3 个百分点，且所有被测模型均呈现这一差距。在闭卷条件下评测的 11 个模型中，平均 pass@1 从 34.6% 到 75.5% 不等，顶尖模型得分相近但成本与耗时差异显著。该基准揭示了本地测试与真实服务之间的系统性鸿沟，强调评估推理软件变更必须验证完整服务路径。