SWE-Serve 如何揭示本地测试与实时在线服务之间的评估差距

SWE-Serve 基准揭示了 AI 编码智能体生成的补丁虽能通过单元测试但在实际加载模型提供服务时可能失效的问题。该评测结合 SGLang 团队的输入开发，包含 53 个任务，强调评估推理服务软件改动时必须覆盖包含公共接口返回结果在内的完整服务链路。