OpenAI 推出 SWE-Lancer：一個用於現實世界自由職業編程的新 AI 標杆

探索頂尖金融科技新聞與活動！

訂閱金融科技週刊的電子報

由摩根大通、Coinbase、貝萊德、Klarna 等高層閱讀

在零工經濟中衡量人工智慧編碼能力的新標準

人工智慧正進入自由軟體開發的世界，並推出一個新的基準，用以測試其在實際任務中的編碼能力。該基準名為SWE-Lancer，由OpenAI推出，評估AI在超過1,400個來自Upwork的實際自由軟體工程任務中的表現，這些任務總價值達到100萬美元的支付金額。

此舉旨在提供一個更清晰的AI在專業環境中的能力展現。與其依賴合成的編碼問題不同，SWE-Lancer使用已由真實公司完成並支付的任務，提供更貼近現實的AI效能衡量標準。

真實自由工作，真實挑戰

大多數AI編碼基準專注於明確定義、解決方案可預測的問題。SWE-Lancer則不同。資料集涵蓋範圍廣泛，從50美元的錯誤修復到3萬2千美元的複雜功能實作。部分任務測試AI的寫碼能力，另一些則需要決策——模擬工程經理在不同技術方案中做出選擇的角色。

為確保準確性，經驗豐富的工程師進行三重驗證端到端測試，而管理層的決策則與原聘用經理的判斷相對照。該基準不僅衡量AI是否能寫出程式碼，更評估該程式碼是否符合付費客戶的標準。

AI模型表現如何？

結果十分明確：即使是最先進的AI模型也難以應付這些任務。雖然AI已展現出生成程式碼片段和協助除錯的能力，但在處理自由工程工作的完整複雜性方面仍有不足。需要創意、解決問題和長期規劃的任務，仍是挑戰。

這一差距具有重大意義。AI在軟體開發中的角色日益擴大，但像SWE-Lancer這樣的基準顯示，完全自主的編碼仍遙遙無期。目前，人類工程師仍然不可或缺，尤其是在超越簡單程式碼生成的複雜專案中。

開源促進研究與經濟洞察

為了推動進一步研究，SWE-Lancer的團隊已公開關鍵資源。研究人員可以存取一個統一的Docker映像以及一個名為SWE-Lancer Diamond的子集基準，用於評估。透過將AI表現與實際金錢價值掛鉤，這個基準提供了關於AI如何影響經濟與軟體工程就業市場的新見解。

除了軟體開發，這些洞察對金融科技公司和依賴自由人才的企業也具有價值。隨著AI模型的進步，企業將需要更佳的方式來衡量自動化的財務與運營影響。SWE-Lancer為理解AI如何融入合約工作提供了基礎。

邁向AI在軟體開發未來的一步

SWE-Lancer的發布凸顯了一個重要現實：AI正在進步，但在應對自由軟體工程的現實需求方面仍有挑戰。雖然AI工具能協助開發者，但尚未能可靠取代技術熟練的專業人士。

隨著AI研究的持續推進，像SWE-Lancer這樣的基準將幫助追蹤進展、優化模型，並引發關於自動化經濟影響的討論。AI是否能完全取代自由開發者仍未可知，但目前來說，軟體工程中的人性化元素仍不可或缺。