SweRank：基于代码排序的软件问题定位

软件问题定位，即识别与自然语言问题描述（例如，错误报告、功能请求）相关的精确代码位置（文件、类或函数）的任务，是软件开发中一个关键但耗时的方面。尽管最近基于大型语言模型（LLM）的代理方法展现出潜力，但由于复杂的 Muti-step reasoning 和依赖闭源大型语言模型，它们通常会产生显著的延迟和成本。另一方面，传统的代码排名模型，通常针对查询到代码或代码到代码的检索进行优化，难以处理问题定位查询冗长和描述失败性质的特点。为了弥合这一差距，我们引入了 SweRank，一个用于软件问题定位的高效且有效的检索-重排序框架。为了方便训练，我们构建了 SweLoc，一个从公共 GitHub 仓库整理而成的大规模数据集，其中包含真实世界的问题描述及其相应的代码修改。在 SWE-Bench-Lite 和 LocBench 上的实证结果表明，SweRank 达到了最先进的性能，优于先前的排名模型以及使用像 Claude-3.5 这样的闭源大型语言模型的昂贵代理系统。此外，我们证明了 SweLoc 在增强各种现有检索器和重排序器模型进行问题定位方面的效用，使该数据集成为社区的宝贵资源。