32B 模型横扫 SWhatsApp%E3%80%90+86%2015855158769%E3%80%91human%20crane%20at%20dave%20and%20bustersWE 任务，这款代码智能体模型有点东西
（雷峰网文章）2025年不仅是智能体爆发元年，也是任务WhatsApp%E3%80%90+86%2015855158769%E3%80%91human%20crane%20at%20dave%20and%20bustersAI软件工程的元年。以AI驱动的款代自动化软件工程正加速重构开发范式。
今天昆仑万维官宣，有点开源代码智能体Skywork-SWE-32B今日全球上线，东西以“小参数”重写仓库级修复规则。模码智模型
这是型横开源生态对抗闭源巨头的关键一役——Skywork-SWE-32B让企业用消费级显卡部署AI工程师成为现实。
模型在SWE-bench-Verified上（OpenHands代码辅助框架）将修复准确率拉升至47.0%，任务一举超越了现有参数规模在32B以下的款代开源模型，直逼Claude v3.7（56.0%）的有点闭源神话。
挣脱了闭源的东西枷锁，AI正从“工具”升级为“协作者”，模码智模型软件工程才能真正迎来智能体驱动的型横范式转移。
现在，任务开发者可在Hugging Face领取这份“开源工程师”了。
技术报告：https://huggingface.co/Skywork/Skywork-SWE-32B/resolve/main/assets/Report.pdf
博客：https://quixotic-sting-239.notion.site/eb17f379610040ceb54da5d5d24065bd
模型权重：https://huggingface.co/Skywork/Skywork-SWE-32B
01
SWE任务：对智能体模型的终极试炼
经常写代码的人都知道，软件工程（Software Engineering, SWE）任务，可以说是难度远超一般的代码生成任务。将大型语言模型驱动的智能体投入真实的软件工程任务，绝非简单的“写代码”指令所能涵盖。
即使是人类工程师，处理陌生项目时首次修复正确率也不到70%。
现在，WhatsApp%E3%80%90+86%2015855158769%E3%80%91human%20crane%20at%20dave%20and%20busters将一个SWE任务交给智能体模型，简直像是要求一个“AI工程师”在极短的时间内，快速融入一个新团队接手一个庞大且不熟悉的遗留系统，准确理解一个模糊的Bug报告，找到根本原因，设计出符合团队规范且不会破坏任何其他功能的修复方案，并一次性提交正确的代码变更。
这样的“AI工程师”可真不好找。
超越传统代码生成的能力要求
和传统的代码生成相比，SWE的要求可谓是高得离谱。任何一个环节的薄弱，都可能导致智能体在复杂工程现实面前束手无策。
以上下文范围问题为例吧。代码生成关注语法和局部逻辑，就像只看见一棵树；而软件工程需要理解整片森林的生态系统。
说到修改某个函数时，普通生成器只看函数本身，工程师却要考虑十处调用点和三年前留下的TODO注释。非技术层面更关键，那些从未写在代码里的团队规范要不要遵守？没有写在文档里的性能底线，要不要了解？
这些可不是什么虚无缥缈的东西，做个“优化排序算法”吧，代码生成给出快排实现就结束；而SWE要考虑：为什么前任用冒泡排序（历史）？会不会破坏报表模块的调用（依赖）？是否符合内存限制（约束）？
看似只是一个简单的需求，实际上已经给智能体上了无数道枷锁，对模型的能力要求也是高了不止一个level。
你以为这就完了吗？
在SWE的开发中，每个决策都涉及多维度的取舍，需求、环境和工具链都在发生持续的变化，任何修改都会产生涟漪效应，智能体与开发者或者工程师进行多轮、深入、澄清性对话，最好还是能主动提问以消除需求歧义。
现在知道，昆仑万维想要做仓库级代码修复能力的模型，有多不容易了吧。
现有SWE数据集的三大致命缺陷
这是对智能体模型的工程实践水平与系统性思维能力的全面考验，想要训练出足够优秀的模型，困难究竟卡在哪里了呢？
在大量的从业者看来，SWE模型训练最大的bug，还是出在数据集上。宣称能驱动智能体执行软件工程任务的大模型，其能力基石在于训练数据。
尽管已有不少工作聚焦于SWE任务并收集了相关的数据集，但当前的主流数据集仍存在三大核心问题，严重阻碍了该领域的进一步发展。它们如同沉重的锁链，将模型的潜力死死禁锢在实验室的牢笼中，使其难以突破理论演示的边界，迈向真实的工程战场。
第一大问题，缺乏可执行环境与验证机制。
已有开源数据（如 SWE-bench-extra、SWE-Fixer）通常缺乏环境或单元测试来验证数据正确性，导致生成的修复难以验证。
第二大问题，高质量训练数据稀缺。
尽管某些数据集规模较大（如 SWE-Dev、SWE-Gym），但缺乏经过严格验证的训练样本，公开可用的高质量数据极为有限，导致开源模型在 SWE 任务上落后于闭源模型。
第三大问题：数据规模法则适用性不明确。
相较于自然语言领域中的任务，SWE任务现有的公开训练数据体量较小，尚无法有效验证数据扩展是否能带来模型能力的持续增长。
唯有跨越这数据鸿沟，智能体才有望从“代码补全工具”蜕变为值得信赖的“工程伙伴”。
谁能想到，这个众多国内外公司都无法取得突破的问题，竟然就被昆仑万维这家国内的AI公司给实现了呢？
02
Skywork-SWE-32B的破局之道
为什么是昆仑万维？可能不少人会有这样的疑问。
昆仑万维作为中国AI开源领域的先行者，自2022年底发布并开源“昆仑天工”AIGC全系列算法模型以来，持续深耕AGI，既有着技术突破，又有全面前瞻的生态布局。
2023年昆仑万维就开源了130亿参数模型Skywork-13B系列，配套发布当时最大的中文数据集Skypile-150B（600GB），2024年开源全球首个支持单台RTX 4090服务器推理的千亿MoE稀疏模Skywork-MoE，推理成本降低3倍，性能接近70B稠密模型。前段时间中国大陆首个对标OpenAI deep research的天工超级智能体，也是昆仑万维推出的agent产品。
既有技术能力，又有工程思维，能够做出来仓库级代码修复能力的智能体模型，也是顺理成章了。
为了Skywork-SWE-32B，昆仑万维团队构建了一套自动化、结构化、可复现的SWE数据收集与验证流程，共分为3个阶段、9个步骤，最终构建出超1万条高质量任务实例、8千条多轮交互的轨迹，为模型训练提供坚实基础。
构建万级可验证闭环数据集
数据构建流程图
图中显示，三个阶段分别为，A.数据采集与预筛选、B.基于执行的验证机制、C.智能体轨迹生成，每个阶段又有主要的三个步骤。
数据采集与预筛选阶段，先通过?GitHub API 抓取超过 15 万个开源仓库的元信息，处理后最终获得 8,472 个有效仓库的元信息，再通过收集与任务初筛构建出初始的146,568个任务样本，最后安装验证保留23,389个任务样本。
数据构建过程中各个阶段数据样本量变化图
基于执行的验证机制阶段，?统一命令生成，Docker环境构建，最后进行单元测试验证。
最后一个智能体轨迹生成阶段，首先要对每个任务执行最多100轮交互，完成智能体轨迹生成，Patch级验证，最终累计收集8,209条高质量、长上下文、多轮交互的验证通过轨迹，构建训练样本库。
Skywork-SWE数据集的GitHub仓库词云图
这样构建的Skywork-SWE数据集，在任务数量与代码覆盖广度上远超现有同类数据集（如SWE-Gym Lite与SWE-bench Verified），不仅涵盖如 Pydantic、SQLGlot、DVC 等主流开源GitHub项目，还包含大量中小型仓库，为大模型提供了丰富、多样且贴近实际的软件工程任务样本，持续推动智能体模型的能力演进。
系统性验证软件工程Scaling Law的机会
基于Skywork-SWE数据集的高质量智能体轨迹，选用目前最具自主性的开源OpenHands框架，昆仑万维团队训练了Skywork-SWE-32B模型。看这款模型的参数和得分，真给开源界整了个大活儿。
Skywork-SWE-32B基于开源OpenHands Agent框架，实现了38.0% pass@1的准确率，在32B规模的开源代码智能体中达到了当前最优水平。
这说明什么？同尺寸模型里最能打，没有之一！
更为关键的是，实验结果进一步表明：Scaling Law在SWE任务上也成了。
以前我们说，跟语言任务不一样，SWE任务现有的公开训练数据体量较小，尚无法有效验证数据扩展是否能带来模型能力的持续增长。
但是现在，這個論點(diǎn)被昆侖萬維證實(shí)了。
只要训练数据规模能够持续扩展，模型性能就能持续提升，在软件工程任务中，这句话一样有效，一样有用。
38.0% 性能就是Skywork-SWE-32B的极限了吗？不是。
加上测试时扩展（Test-Time Scaling, TTS），模型性能直接原地起飞到47.0%。单枪匹马干翻所有同框架模型不说，甚至把671B参数的DeepSeek-V3-0324都给卷了，领先整整8.2个百分点，小模型打败十倍大模型的经典场景复刻。
在这个领域，Claude和OpenAI的系列闭源模型才是王者。比起来的话：
加了TTS，Skywork-SWE-32B 显著超越了GPT-4.1-mini（23.86%）、 Claude 3.5 HaiKu（40.6%）和 OpenAI-o1-preview (41.3%)，并且领先于Claude v3.5（46.0%）。
高性能的开源模型，对于企业想私有化部署特别有吸引力。
它们不仅保障了核心数据在本地环境的安全可控，规避了隐私泄露风险，更赋予了企业根据自身业务需求深度定制和优化的自由，无需持续支付高昂的API费用。
开源模型DeepSeek-V3 就曾凭借其强大的性能成为不少企业和组织的首选，Skywork-SWE-32B对于有SWE需求的企业来说，同样有着足够的吸引力。
03
推动软件开发范式新进化
今年2月5日，OpenAI首席执行官Sam Altman在公开场合谈到了AI如何改变软件工程，他的说法是，“到2025年底，软件工程将发生翻天覆地的变化。这不仅意味着开发效率的大幅提升，还可能对网络安全产生深远的影响。”
这个预言正在被实现。
AI对软件开发范式的重构已从“工具辅助”阶段迈入“智能体主导”的新时代，推动开发流程、协作模式、技术门槛与行业标准的系统性变革。
Skywork-SWE-32B的出现，是这个变化趋势中的特殊时刻。这不仅是技术上的升级，更是开发哲学的根本转向。
高质量且可执行验证的数据是提升代码智能体模型性能的关键瓶颈。系统化的数据扩展策略将在推动开源模型性能突破中发挥关键作用。
智能体开始承担需求分析、架构设计等核心决策任务，推动开发流程从线性流水线向动态自适应演进。传统“人主导工具”的协作模式正被颠覆。
昆仑万维发布的Skywork-SWE正在进一步拓展多编程语言支持以覆盖更广泛的开发场景，并探索融合运行时测试反馈的强化学习机制，为构建真正具备智能软件开发能力的大语言模型奠定坚实基础。
（雷峰网文章）2025年不仅是智能体爆发元年，也是任务WhatsApp%E3%80%90+86%2015855158769%E3%80%91human%20crane%20at%20dave%20and%20bustersAI软件工程的元年。以AI驱动的款代自动化软件工程正加速重构开发范式。
今天昆仑万维官宣，有点开源代码智能体Skywork-SWE-32B今日全球上线，东西以“小参数”重写仓库级修复规则。模码智模型
这是型横开源生态对抗闭源巨头的关键一役——Skywork-SWE-32B让企业用消费级显卡部署AI工程师成为现实。
模型在SWE-bench-Verified上（OpenHands代码辅助框架）将修复准确率拉升至47.0%，任务一举超越了现有参数规模在32B以下的款代开源模型，直逼Claude v3.7（56.0%）的有点闭源神话。
挣脱了闭源的东西枷锁，AI正从“工具”升级为“协作者”，模码智模型软件工程才能真正迎来智能体驱动的型横范式转移。
现在，任务开发者可在Hugging Face领取这份“开源工程师”了。
技术报告：https://huggingface.co/Skywork/Skywork-SWE-32B/resolve/main/assets/Report.pdf
博客：https://quixotic-sting-239.notion.site/eb17f379610040ceb54da5d5d24065bd
模型权重：https://huggingface.co/Skywork/Skywork-SWE-32B
01
SWE任务：对智能体模型的终极试炼
经常写代码的人都知道，软件工程（Software Engineering, SWE）任务，可以说是难度远超一般的代码生成任务。将大型语言模型驱动的智能体投入真实的软件工程任务，绝非简单的“写代码”指令所能涵盖。
即使是人类工程师，处理陌生项目时首次修复正确率也不到70%。
现在，WhatsApp%E3%80%90+86%2015855158769%E3%80%91human%20crane%20at%20dave%20and%20busters将一个SWE任务交给智能体模型，简直像是要求一个“AI工程师”在极短的时间内，快速融入一个新团队接手一个庞大且不熟悉的遗留系统，准确理解一个模糊的Bug报告，找到根本原因，设计出符合团队规范且不会破坏任何其他功能的修复方案，并一次性提交正确的代码变更。
这样的“AI工程师”可真不好找。
超越传统代码生成的能力要求
和传统的代码生成相比，SWE的要求可谓是高得离谱。任何一个环节的薄弱，都可能导致智能体在复杂工程现实面前束手无策。
以上下文范围问题为例吧。代码生成关注语法和局部逻辑，就像只看见一棵树；而软件工程需要理解整片森林的生态系统。
说到修改某个函数时，普通生成器只看函数本身，工程师却要考虑十处调用点和三年前留下的TODO注释。非技术层面更关键，那些从未写在代码里的团队规范要不要遵守？没有写在文档里的性能底线，要不要了解？
这些可不是什么虚无缥缈的东西，做个“优化排序算法”吧，代码生成给出快排实现就结束；而SWE要考虑：为什么前任用冒泡排序（历史）？会不会破坏报表模块的调用（依赖）？是否符合内存限制（约束）？
看似只是一个简单的需求，实际上已经给智能体上了无数道枷锁，对模型的能力要求也是高了不止一个level。
你以为这就完了吗？
在SWE的开发中，每个决策都涉及多维度的取舍，需求、环境和工具链都在发生持续的变化，任何修改都会产生涟漪效应，智能体与开发者或者工程师进行多轮、深入、澄清性对话，最好还是能主动提问以消除需求歧义。
现在知道，昆仑万维想要做仓库级代码修复能力的模型，有多不容易了吧。
现有SWE数据集的三大致命缺陷
这是对智能体模型的工程实践水平与系统性思维能力的全面考验，想要训练出足够优秀的模型，困难究竟卡在哪里了呢？
在大量的从业者看来，SWE模型训练最大的bug，还是出在数据集上。宣称能驱动智能体执行软件工程任务的大模型，其能力基石在于训练数据。
尽管已有不少工作聚焦于SWE任务并收集了相关的数据集，但当前的主流数据集仍存在三大核心问题，严重阻碍了该领域的进一步发展。它们如同沉重的锁链，将模型的潜力死死禁锢在实验室的牢笼中，使其难以突破理论演示的边界，迈向真实的工程战场。
第一大问题，缺乏可执行环境与验证机制。
已有开源数据（如 SWE-bench-extra、SWE-Fixer）通常缺乏环境或单元测试来验证数据正确性，导致生成的修复难以验证。
第二大问题，高质量训练数据稀缺。
尽管某些数据集规模较大（如 SWE-Dev、SWE-Gym），但缺乏经过严格验证的训练样本，公开可用的高质量数据极为有限，导致开源模型在 SWE 任务上落后于闭源模型。
第三大问题：数据规模法则适用性不明确。
相较于自然语言领域中的任务，SWE任务现有的公开训练数据体量较小，尚无法有效验证数据扩展是否能带来模型能力的持续增长。
唯有跨越这数据鸿沟，智能体才有望从“代码补全工具”蜕变为值得信赖的“工程伙伴”。
谁能想到，这个众多国内外公司都无法取得突破的问题，竟然就被昆仑万维这家国内的AI公司给实现了呢？
02
Skywork-SWE-32B的破局之道
为什么是昆仑万维？可能不少人会有这样的疑问。
昆仑万维作为中国AI开源领域的先行者，自2022年底发布并开源“昆仑天工”AIGC全系列算法模型以来，持续深耕AGI，既有着技术突破，又有全面前瞻的生态布局。
2023年昆仑万维就开源了130亿参数模型Skywork-13B系列，配套发布当时最大的中文数据集Skypile-150B（600GB），2024年开源全球首个支持单台RTX 4090服务器推理的千亿MoE稀疏模Skywork-MoE，推理成本降低3倍，性能接近70B稠密模型。前段时间中国大陆首个对标OpenAI deep research的天工超级智能体，也是昆仑万维推出的agent产品。
既有技术能力，又有工程思维，能够做出来仓库级代码修复能力的智能体模型，也是顺理成章了。
为了Skywork-SWE-32B，昆仑万维团队构建了一套自动化、结构化、可复现的SWE数据收集与验证流程，共分为3个阶段、9个步骤，最终构建出超1万条高质量任务实例、8千条多轮交互的轨迹，为模型训练提供坚实基础。
构建万级可验证闭环数据集
数据构建流程图
图中显示，三个阶段分别为，A.数据采集与预筛选、B.基于执行的验证机制、C.智能体轨迹生成，每个阶段又有主要的三个步骤。
数据采集与预筛选阶段，先通过?GitHub API 抓取超过 15 万个开源仓库的元信息，处理后最终获得 8,472 个有效仓库的元信息，再通过收集与任务初筛构建出初始的146,568个任务样本，最后安装验证保留23,389个任务样本。
数据构建过程中各个阶段数据样本量变化图
基于执行的验证机制阶段，?统一命令生成，Docker环境构建，最后进行单元测试验证。
最后一个智能体轨迹生成阶段，首先要对每个任务执行最多100轮交互，完成智能体轨迹生成，Patch级验证，最终累计收集8,209条高质量、长上下文、多轮交互的验证通过轨迹，构建训练样本库。
Skywork-SWE数据集的GitHub仓库词云图
这样构建的Skywork-SWE数据集，在任务数量与代码覆盖广度上远超现有同类数据集（如SWE-Gym Lite与SWE-bench Verified），不仅涵盖如 Pydantic、SQLGlot、DVC 等主流开源GitHub项目，还包含大量中小型仓库，为大模型提供了丰富、多样且贴近实际的软件工程任务样本，持续推动智能体模型的能力演进。
系统性验证软件工程Scaling Law的机会
基于Skywork-SWE数据集的高质量智能体轨迹，选用目前最具自主性的开源OpenHands框架，昆仑万维团队训练了Skywork-SWE-32B模型。看这款模型的参数和得分，真给开源界整了个大活儿。
Skywork-SWE-32B基于开源OpenHands Agent框架，实现了38.0% pass@1的准确率，在32B规模的开源代码智能体中达到了当前最优水平。
这说明什么？同尺寸模型里最能打，没有之一！
更为关键的是，实验结果进一步表明：Scaling Law在SWE任务上也成了。
以前我们说，跟语言任务不一样，SWE任务现有的公开训练数据体量较小，尚无法有效验证数据扩展是否能带来模型能力的持续增长。
但是现在，這個論點(diǎn)被昆侖萬維證實(shí)了。
只要训练数据规模能够持续扩展，模型性能就能持续提升，在软件工程任务中，这句话一样有效，一样有用。
38.0% 性能就是Skywork-SWE-32B的极限了吗？不是。
加上测试时扩展（Test-Time Scaling, TTS），模型性能直接原地起飞到47.0%。单枪匹马干翻所有同框架模型不说，甚至把671B参数的DeepSeek-V3-0324都给卷了，领先整整8.2个百分点，小模型打败十倍大模型的经典场景复刻。
在这个领域，Claude和OpenAI的系列闭源模型才是王者。比起来的话：
加了TTS，Skywork-SWE-32B 显著超越了GPT-4.1-mini（23.86%）、 Claude 3.5 HaiKu（40.6%）和 OpenAI-o1-preview (41.3%)，并且领先于Claude v3.5（46.0%）。
高性能的开源模型，对于企业想私有化部署特别有吸引力。
它们不仅保障了核心数据在本地环境的安全可控，规避了隐私泄露风险，更赋予了企业根据自身业务需求深度定制和优化的自由，无需持续支付高昂的API费用。
开源模型DeepSeek-V3 就曾凭借其强大的性能成为不少企业和组织的首选，Skywork-SWE-32B对于有SWE需求的企业来说，同样有着足够的吸引力。
03
推动软件开发范式新进化
今年2月5日，OpenAI首席执行官Sam Altman在公开场合谈到了AI如何改变软件工程，他的说法是，“到2025年底，软件工程将发生翻天覆地的变化。这不仅意味着开发效率的大幅提升，还可能对网络安全产生深远的影响。”
这个预言正在被实现。
AI对软件开发范式的重构已从“工具辅助”阶段迈入“智能体主导”的新时代，推动开发流程、协作模式、技术门槛与行业标准的系统性变革。
Skywork-SWE-32B的出现，是这个变化趋势中的特殊时刻。这不仅是技术上的升级，更是开发哲学的根本转向。
高质量且可执行验证的数据是提升代码智能体模型性能的关键瓶颈。系统化的数据扩展策略将在推动开源模型性能突破中发挥关键作用。
智能体开始承担需求分析、架构设计等核心决策任务，推动开发流程从线性流水线向动态自适应演进。传统“人主导工具”的协作模式正被颠覆。
昆仑万维发布的Skywork-SWE正在进一步拓展多编程语言支持以覆盖更广泛的开发场景，并探索融合运行时测试反馈的强化学习机制，为构建真正具备智能软件开发能力的大语言模型奠定坚实基础。
