400 多年前，宋應星著成《天工開物》。這是一部寫給匠人、也寫給未來的書。它讓人相信：技術不是死物，而是人與世界持續互動的方式。

如果說「天工」代表了中國古代對「工程」與「制造」的極致理解，那么今天，一個同樣以「天工」（即 Skywork）為名的 Agent 智能體，正試圖在另一片疆域（代碼世界）中，繼承這份精神。

這個 Skywork，不是煉鐵鑄器的匠人，而是自主代碼智能體基座模型，要修補的是一種現代最復雜的人造系統：（開源）軟件工程。它不握錘鑿，而是靠多輪交互、長上下文理解與邏輯推理，在成千上萬的 GitHub 項目中識別 issue/bug、定位原因、打補丁，并驗證是否真的修好了。故此，它得名 Skywork-SWE。（注：SWE 是指軟件工程 / Software Engineering。）

Skywork-SWE 因何而生？軟件智能體面臨的困難

在古人的世界里，修一口破鼎、補一段布帛是「匠人精神」的體現。而在今天，最頻繁「破裂」的，莫過于代碼。

如今，代碼系統早已成為現代文明的骨架。它們運行在日常軟件、銀行服務、交通調度等各式系統中，也支撐著我們所依賴的 AI 算法本身。但和古代器物一樣，再精妙的程序也難免出現 bug—— 有些是邏輯失誤，有些是環境變遷，有些甚至源于協作失控。比如，就在前幾天，AWS、谷歌云、Azure 和 Cloudflare 都發生了中斷，連帶著 ChatGPT 和 Cursor 等熱門 AI 應用也一并短暫失聯；而這一事故的原因可能是一次錯誤的自動配額更新導致谷歌的 API 管理系統出現了故障。

同時，bug 修復也是軟件工程中最基礎，卻也是最復雜、最消耗人力的任務之一。特別是在真實的 GitHub 項目中，修一個 bug 并不是「找到一行錯字那么簡單」，它常常需要：

• 讀取和理解成百上千個文件；
• 推演變量在不同模塊的流動路徑；
• 閱讀前人留下的修復記錄與討論；
• 理解上下文、猜測意圖、編寫代碼補丁；
• 最后，還得跑幾遍測試，看看是不是真的「已解決」。

那么，我們能否使用 AI 智能體來完成這些任務呢？

當然可以！但我們需要的絕不是傳統的用于解決單獨編程任務的 AI 編程模型，而是需要像人類開發者一樣能夠理解歷史上下文、進行多輪推理、在模糊與不確定中做決策、具備落地執行的能力的軟件工程智能體。

而難題也隨之而生：這類任務長期缺乏高質量訓練數據。市面上現有的 SWE 數據集，不是驗證機制不足，就是訓練樣本雜亂無章，難以支持模型在真實工程中進化。另外，這些數據集的規模普遍較小，導致數據 Scaling Law 適用性不明確。

正是為了應對這種挑戰，昆侖萬維推出了自主代碼智能體基座模型 Skywork-SWE。它不僅代表一個性能卓越的模型 ——32B 參數量級別的最強開源軟件工程智能體，更是一個集數據、驗證、推理與修復為一體的完整系統。不僅如此，他們還基于此成功揭示了 LLM 軟件工程能力的 Scaling Law。

目前，該模型的技術報告和模型權重都已發布。

• ?? 技術報告：https://huggingface.co/Skywork/Skywork-SWE-32B/resolve/main/assets/Report.pdf
• ?? 技術博客：https://quixotic-sting-239.notion.site/eb17f379610040ceb54da5d5d24065bd
• ?? 模型權重：https://huggingface.co/Skywork/Skywork-SWE-32B

Skywork-SWE 數據錘煉出的智能工匠

那么，昆侖萬維究竟是如何打造出 Skywork-SWE 的呢？

核心的秘訣在于：在軟件工程任務上高質量地達成了數據 Scaling Law。

為了獲得高質量數據，昆侖萬維構建了構建了一套自動化、結構化、可復現的 SWE 數據收集與驗證流程，共分為三大階段、九個步驟。

最終，他們從 15 萬個 GitHub 開源項目中篩選出 10,169 個真實代碼問題和 8,209 條多輪交互軌跡，構建出了業內最大規模、可驗證的 SWE 數據集，其中每一個樣本都不是「描述性」的，而是「工程級」的：

• 每條任務都能在 Docker 中復現；
• 每個補丁都要通過單元測試驗證；
• 每條智能體軌跡都覆蓋完整修復閉環。

下圖展示了其完整的數據構建流程：

數據構建流程圖

具體來說，階段 A 的工作是數據采集與預篩選，其中又細分為 GitHub 元數據抓取、PR（Pull Request）收集與任務初篩和安裝驗證 3 個步驟。第一階段的處理下來，昆侖萬維團隊從 15 萬個開源倉庫中得到了 23,389 個有效任務樣本。為了防止數據泄漏，排除 SWE-bench Verified（測試數據集）已包含的倉庫。

而階段 B 則是環境設置和基于執行的驗證。同樣，這一階段也分為三個步驟：統一命令生成、Docker 環境構建和單元測試驗證。很容易看出來，這一步的目標是確保問題的修復是有效的，進而進一步保證數據的質量。

最后，還需要針對每個任務生成正確的智能體軌跡。這也正是階段 C 的任務目標。同樣地，三個步驟：首先，昆侖萬維團隊基于開源的 OpenHands 代碼智能體框架，選用代碼能力突出的商用大模型（如 Claude，DeepSeek 等）作為智能體基座，對每個任務執行最多 100 輪交互，完整記錄智能體在問題求解過程中的交互軌跡。然后，他們進行了  Patch 級的驗證，以確保智能體行為嚴格對齊倉庫級代碼修復目標。最后，構建訓練樣本庫，得到了 8,209 條高質量、長上下文、多輪交互的經過驗證的軌跡。

走完全流程后，昆侖萬維團隊得到了一個當前規模最大、質量最高且可驗證的軟件工程任務數據集：Skywork-SWE。是的，正是基于該數據集，昆侖萬維訓練出了同名的自主代碼智能體模型：Skywork-SWE-32B！（注：32B 是指模型參數量。）

數據構建過程中各個階段數據樣本量變化圖

在任務數量與代碼覆蓋廣度方面，Skywork-SWE 遠超現有同類數據集（如 SWE-Gym Lite 與 SWE-bench Verified），可為大模型提供豐富、多樣且貼近實際的軟件工程任務樣本，進而持續推動智能體模型的能力進化。

更具體而言，如下左表所示，相較于其他基準數據集，Skywork-SWE 中的任務在編輯復雜度上顯著更高：平均每個補丁涉及 2 個以上函數修改、6 個代碼塊、以及多達 74 行代碼變更，能更真實地反映 GitHub 開發中的問題修復復雜度。這也意味著，模型要在此類任務中實現有效修復，必須具備更強的代碼理解、上下文建模與多輪交互推理能力。

Skywork-SWE 數據集統計表與 GitHub 倉庫詞云圖

而右圖則給出了 Skywork-SWE 數據集的倉庫名稱詞云。可以看到，其中不僅涵蓋如 Pydantic、SQLGlot、DVC 等主流開源項目，還包含大量中小型倉庫，呈現出高度貼近真實開發生態的任務分布特征。這種貼近真實開發生態的數據構成，有助于提升模型在復雜多樣場景下的問題解決能力。

這些能力也在基于 Skywork-SWE 數據集微調得到的 Skywork-SWE-32B 模型上得到了體現。（注：采用的基座模型是 Qwen2.5-Coder-32B-Instruct）。

Skywork-SWE-32B 的實驗表現

在廣受關注的 SWE-bench Verified 基準（包含 500 個實例，來自 12 個流行 Python GitHub 庫的 PR）上，Skywork-SWE-32B 在 OpenHands Agent 框架下取得了 47% 的準確度，超越了現有參數規模在 32B 以下的開源模型，甚至優于參數量高達 671B 的 DeepSeek-V3-0324 模型。

而在這個亮眼成績背后，他們的實驗還成功揭示了 LLM SWE 能力在數據方面的 Scaling Law：隨著訓練數據規模的持續擴展，SWE 模型性能會持續提升，充分驗證了「數據 scaling 帶來的性能增益」在軟件工程任務中的有效性與適用性。Skywork-SWE-32B 實現了 38.0% pass@1 準確度，刷新 Qwen2.5-Coder-32B 系列模型在 OpenHands 代碼框架下的最佳成績。

可以看到，隨著訓練軌跡數量的增多，Skywork-SWE-32B 的性能會持續提升。請注意，上圖的橫軸采用了指數刻度，這意味著模型性能幾乎呈指數級隨數據增長而提升。更重要的是，在當前數據集規模范圍內，性能提升尚未出現飽和跡象，這充分揭示了進一步擴展高質量數據的巨大潛力。

另外，為了在推理階段進一步釋放模型能力，昆侖萬維團隊也實驗了測試時擴展（TTS）技術對 Skywork-SWE-32B 帶來的提升，充分釋放了模型的潛力，在 Best of 8 的測試下即可達到 47% 的正確率。

下圖展示了其具體在不同倉庫上的得分情況。

相較于主流的一些閉源模型，經過 TTS 后的 Skywork-SWE-32B 的表現也相當不俗：顯著超越了 GPT-4.1-mini（23.86%）、 Claude 3.5 HaiKu（40.6%）和 OpenAI-o1-preview (41.3%)，并且領先于 Claude v3.5（46.0%）。

下面通過一個實際案例來看看 Skywork-SWE-32B 的工作過程。

以用 Python 編寫的、用于天文學的通用核心軟件包 Astropy 及對應的 #14309 PR 為例。

Astropy 倉庫 issue：修復當提供的文件路徑沒有 args 參數時 FITS 鏈接邏輯崩潰問題。

向 Skywork-SWE-32B 模型輸入上述 Astropy 倉庫 issue 和相應的代碼倉庫，可以看到該模型能精準定位問題源文件與具體缺陷，并生成 patch 修復方案。

生成 patch 修復方案示例圖

如下所示，Skywork-SWE-32B 生成的方案成功通過了全部測試樣例，實現了在 GitHub 代碼倉庫中從問題理解到解決的一站式代碼修復。

單元測試結果示例圖

Skywork-SWE-32B 的優異表現充分驗證了 Skywork-SWE 數據集的高質量與實際價值。

一份數據集 撬動一個智能體時代

在大模型走向智能體時代的今天，真正稀缺的已不是算力，也不是參數，而是經得起驗證、貼近真實、具備閉環反饋的數據。

Skywork-SWE 的意義，恰恰在于此。它不僅僅代表了一個模型，而是一套系統化構建真實工程數據的范式，其中收集的不是孤立的函數調用或代碼段，而是成千上萬個來自 GitHub 倉庫的實際修復任務 —— 每一條都能在環境中復現、通過測試、形成可追蹤的智能體交互軌跡。

這份數據集不僅讓 Skywork-SWE-32B 成為當前 32B 參數規模下最強的開源軟件工程模型之一，更重要的是，它揭示了 LLM 在 SWE 任務中持續增長的性能與數據之間的強相關性，首次系統性驗證了數據 Scaling Law 在復雜工程任務上的適用性，堪稱軟件工程智能體的「ImageNet」。

昆侖萬維表示，未來 Skywork-SWE 數據集還將向更多編程語言擴展；另外，其在運行時環境中執行并驗證單元測試的設置也有助于近期 LLM 社區對在線強化學習方法的探索。

這背后，折射出昆侖萬維對行業趨勢的清醒判斷：大模型走得再遠，最終也要落到真實任務中；開源要想站穩腳跟，必須在「數據+系統+執行力」上全面補強。

過去一年里，昆侖萬維圍繞 Skywork 系列已布局從 MoE 架構、預訓練模型到智能體框架與垂直場景的全鏈條。我們看到了多模態推理模型 Skywork-R1V 以及超越 Suno V4 的音樂模型 Mureka O1，甚至還有國內首個短劇創作大模型 Skyreels-V1、可交互視頻生成世界模型 Matrix-Game 和 Matrix-Zero 以及堪稱智能體界的全能型選手的天工超級智能體（Skywork Super Agent）。而更妙的是，以上這些模型大都是開源的！（可點擊對應鏈接了解詳情。）

Skywork-SWE 的推出，標志著這一體系進一步落地，也是昆侖萬維在代碼、內容、辦公等智能體任務場景長期探索的延續。在這個探索中，他們不僅造模型，更造數據；不僅做生成，還進行驗證。而放眼未來，這種以高質量任務型數據為基礎的智能體訓練范式，或將成為代碼、軟件工程乃至通用多模態智能體的「標準工藝」。

天工再起，從數據開始。Skywork-SWE 是對「工程智能體」時代最扎實的回答，也是昆侖萬維寫下的一份面向行業的「天工開物」。