FEA-Bench: Бенчмарк для оценки генерации кода на уровне репозитория при реализации функциональности

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

March 9, 2025

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

cs.AI

Аннотация

Реализация новых функций в кодовых базах на уровне репозитория является важным применением моделей генерации кода. Однако в текущих бенчмарках отсутствует специализированная система оценки для этой возможности. Чтобы заполнить этот пробел, мы представляем FEA-Bench — бенчмарк, разработанный для оценки способности крупных языковых моделей (LLM) выполнять инкрементальную разработку в рамках кодовых репозиториев. Мы собираем пул-реквесты из 83 репозиториев GitHub и используем фильтрацию на основе правил и намерений для создания задач, сфокусированных на разработке новых функций. Каждая задача, содержащая изменения кода, сопровождается соответствующими файлами модульных тестов, чтобы обеспечить возможность проверки решения. Реализация функции требует от LLM одновременно обладать способностью к завершению кода для новых компонентов и навыками редактирования кода для других связанных частей репозитория, что предоставляет более комплексный метод оценки автоматизированных возможностей LLM в области разработки программного обеспечения. Результаты экспериментов показывают, что LLM значительно хуже справляются с задачами в FEA-Bench, что подчеркивает существенные трудности в такой инкрементальной разработке кода на уровне репозитория.

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.