SWE-Serve：暴露本地测试与真实推理服务之间的差距

AI 编码代理生成的补丁，有时可以通过本地测试，但在服务器加载真实模型并处理请求时失败。

这类问题在推理服务软件中尤其关键：仅检查单元测试或局部逻辑，可能无法覆盖完整的服务链路。更可靠的评估需要验证系统是否能够通过公开接口返回正确结果，包括模型加载、请求处理和推理响应等环节。

SWE-Serve 旨在评估这一差距。该评测集在 SGLang 团队参与下开发，包含 53 个任务，任务设计来自推理服务场景，用于观察代码修改在真实服务路径中的表现。

对于关注 AI 编码代理、推理服务框架和评测体系的开发者来说，这一方向提醒我们：补丁“通过测试”并不等于“能够稳定服务”。评估推理服务相关修改时，应尽量覆盖从模型加载到接口响应的端到端行为。