FEA-Bench: Um Benchmark para Avaliação de Geração de Código em Nível de Repositório para Implementação de Funcionalidades

FEA-Bench: A Benchmark for Evaluating Repository-Level Code Generation for Feature Implementation

March 9, 2025

Autores: Wei Li, Xin Zhang, Zhongxin Guo, Shaoguang Mao, Wen Luo, Guangyue Peng, Yangyu Huang, Houfeng Wang, Scarlett Li

cs.AI

Resumo

A implementação de novas funcionalidades em bases de código em nível de repositório é uma aplicação crucial dos modelos de geração de código. No entanto, os benchmarks atuais carecem de uma estrutura de avaliação dedicada para essa capacidade. Para preencher essa lacuna, introduzimos o FEA-Bench, um benchmark projetado para avaliar a habilidade de modelos de linguagem de grande escala (LLMs) em realizar desenvolvimento incremental dentro de repositórios de código. Coletamos pull requests de 83 repositórios do GitHub e utilizamos filtragem baseada em regras e intenção para construir instâncias de tarefas focadas no desenvolvimento de novas funcionalidades. Cada instância de tarefa contendo alterações de código é emparelhada com arquivos de testes unitários relevantes para garantir que a solução possa ser verificada. A implementação de funcionalidades exige que os LLMs possuam simultaneamente capacidades de conclusão de código para novos componentes e habilidades de edição de código para outras partes relevantes no repositório, proporcionando um método de avaliação mais abrangente das capacidades de engenharia de software automatizada dos LLMs. Os resultados experimentais mostram que os LLMs têm um desempenho significativamente pior no FEA-Bench, destacando desafios consideráveis nesse tipo de desenvolvimento incremental de código em nível de repositório.

English

Implementing new features in repository-level codebases is a crucial application of code generation models. However, current benchmarks lack a dedicated evaluation framework for this capability. To fill this gap, we introduce FEA-Bench, a benchmark designed to assess the ability of large language models (LLMs) to perform incremental development within code repositories. We collect pull requests from 83 GitHub repositories and use rule-based and intent-based filtering to construct task instances focused on new feature development. Each task instance containing code changes is paired with relevant unit test files to ensure that the solution can be verified. The feature implementation requires LLMs to simultaneously possess code completion capabilities for new components and code editing abilities for other relevant parts in the code repository, providing a more comprehensive evaluation method of LLMs' automated software engineering capabilities. Experimental results show that LLMs perform significantly worse in the FEA-Bench, highlighting considerable challenges in such repository-level incremental code development.