今天，字节跳动豆包大模型团队开源 FullStack Bench，一个专注于全栈编程和多语言编程的代码评估数据集。该数据集在业界首次囊括编程全栈技术中超 11 类真实场景，覆盖了 16 种编程语言，包含 3374 个问题，相比此前基准，可以更有效地评估大模型在现实世界中的代码开发能力。同时，高效的代码沙盒执行工具 SandboxFusion 也一起开源，用于评估来自不同语言的不同编程任务。
综合实验结果表明，FullStack Bench 能够真实反映大模型在多种实际代码开发场景中的表现，有助于推动代码智能领域的进一步发展。代码大型语言模型（code LLMs）在代码智能方面取得了显著的进步，为了揭示现有代码 LLMs 的局限性并推动代码智能的进一步发展，多个代码评估基准数据集相继被提出，如 HumanEval、MBPP、DS-1000、McEval、MDEval 和 xCodeEval 等。然而，当前的评测基准覆盖的编程语言和应用类型较为有限，难以全面反映真实世界中代码开发场景所涉及的各种编程能力。如 HumanEval 和 MBPP 中大部分数据（近 80%）只聚焦于基础编程问题和高级编程问题。为了解决上述限制，字节跳动豆包大模型团队与 M-A-P 开源社区联合提出 FullStack Bench，一个涵盖多个真实应用领域和编程语言的评估集，旨在评估大型模型在各种真实世界代码开发场景中的能力。为了支持 FullStack Bench 对多领域多语言编程的评测需求，团队开发了一个新的沙盒执行环境——SandboxFusion，该环境支持 23 种常用编程语言，能够满足不同应用场景（如前端开发、后端开发和机器学习训练等）的需求。综合实验结果表明，FullStack Bench 能够真实反映大型语言模型（LLMs）在多种实际代码开发场景中的表现，为代码智能领域的进一步发展提供推动力量。![]()
FullStack Bench: Evaluating LLMs as Full Stack Codershttps://arxiv.org/abs/2412.00535https://huggingface.co/datasets/ByteDance/FullStackBenchhttps://github.com/bytedance/SandboxFusionhttps://bytedance.github.io/SandboxFusion/playground/datasets
1. 多领域多语言代码评估基准存在空白
在代码大语言模型发展的过程中，代码评估基准扮演了至关重要的角色。它们不仅是衡量模型能力的标准工具，也是推动模型优化和完善的关键驱动力。尽管代码评估基准在研究和应用大语言模型中起着核心作用，但此前业界基准仍然存在明显的局限，尤其是在反映真实世界代码开发场景的多样性和复杂性方面。例如，HumanEval 和 MBPP 中大部分数据（近 80%）只聚焦于基础编程问题和高级编程问题；DS-1000 大部分数据（超过 95%）集中于数据分析和机器学习任务，且仅对 Python 语言进行评测；xCodeEval 虽覆盖多项任务，但基本局限于高级编程和数学领域；McEval 和 MDEval 分别扩展了支持的编程语言，涵盖了 40 种和近 20 种语言，但其应用领域仍然局限于基础编程问题和高级编程问题，未能涉及更广泛的应用场景。此外，自动化评估一个多任务多语言的代码基准仍然面临诸多挑战。尽管出现了一些沙盒执行环境，如 DifySandbox、MultiPL-E 和 MPLSandbox，但它们仍存在显著局限性，如不支持前端浏览器和深度学习包，且支持的编程语言数量有限。 2. 构建全栈多语言代码评测基准 FullStack Bench
为模拟全栈开发的实际应用场景，研究团队分析了全球最大的程序员技术问答社区 Stack Overflow 上的问题分布，从中提炼出常见的真实编程应用领域。如图所示，团队从 Stack Overflow 上随机抽取了 50 万个问题，并使用大模型为每个问题标注其所属的应用领域类型。研究团队筛选出占总问题数前 88.1% 的主要应用领域，其余领域统一归类为“其他”。基于此，团队完成了问题领域类型的标注，再通过对分布做适当调整来保证每个领域的鲁棒性，最终形成了 FullStack Bench 关注的超过 11 种应用场景及分布比例。具体领域类型的详细介绍可参见原文。![]()
FullStack Bench 包含 3374 个问题（中文及英文问题各占一半），每个问题均包括题目描述、参考解决方案、单元测试用例及标签。为保证评估准确性，每个问题内容均由相关领域的编程专家设计，并经 AI 和人工验证进行质量复核。例如，数据分析相关问题，由数据工程专家提出并把关配套内容。FullStack Bench 的构建采用了一套全面且系统的人工标注流程，用于生成不同应用领域的代码样本。研究团队从 GitHub 和代码相关文档中收集多种编程语言的代码片段，结合大语言模型（LLM）和人工验证生成指令、单元测试用例及参考解决方案。![]()
在初始数据集构建后，标注者依据问题难度、模糊性和可解性评估数据质量，并通过交叉复核减少主观偏差。分歧通过共识或高级标注者介入解决，以确保数据准确性。在完成 FullStack Bench 的构建后，研究人员对其进行了统计分析，结果如图所示。研究人员使用 LLaMA3 分词器计算了题目和正确代码的标记长度，其中题目平均长度为 210.2 个 tokens。为确保评估的准确性，数据集包含总计 15168 个单元测试，平均每个问题配备 4.5 个单元测试用例。![]()
3. SandboxFusion：高效的代码沙盒执行工具
为方便开发者对大模型代码能力进行系统性测试，豆包大模型团队还开源了一款高效的代码沙盒执行工具——SandboxFusion，用于评估来自不同语言的不同编程任务。除了 FullStack Bench，SandboxFusion 还兼容超过 10 种广泛使用的代码评估数据集，支持 23 种编程语言。开发者在单服务器上即可轻松部署 SandboxFusion，也可直接在 GitHub 上进行体验。SandboxFusion 主要包含两个模块：数据集模块和沙箱执行模块。数据集模块负责实现各种数据集，并提取出可重用的公共组件。沙箱执行模块则专注于在不同语言中执行代码，控制资源使用，并确保执行的安全性。![]()
如图所示，SandboxFusion 的评估流程包括以下步骤：提示生成：根据原始数据和测试模式（如少样本、零样本）生成不同提示。模型推理：用户需要独立使用生成的提示进行模型补全，沙盒未内置推理模块。代码提取：系统从模型输出中提取可执行代码段，主要关注 markdown 中包含的代码。测试代码合成：系统将提取的代码与预定义的测试用例结合，创建可执行的测试程序。此过程处理语言相关的特性，如在 Java 中将类拆分到文件或为单元测试调整入口函数。代码执行：系统执行合成的代码及所有依赖文件，并捕获程序输出。结果判断：系统基于执行结果评估模型输出的正确性，通常通过标准单元测试框架，其中零返回值表示执行成功。指标计算：在沙盒外部聚合计算评估指标，以通过率为主。 4. 评测结果：解决难题，闭源模型仍优于开源模型
发布评测基准及沙盒的同时，研究团队也基于 FullStack Bench 对全球二十余款代码大模型及语言大模型的编程表现进行了评测。这些模型包括 Qwen2.5-Coder、DeepSeek-Coder-v2、CodeLlama 等开源模型，以及 GPT-4o、OpenAI-o1、Doubao-Coder-Preview 等闭源模型。对于开源模型，根据模型大小，分为五个组别：1B+、6B+、13B+、20B+ 和 70B+。更多实验配置和测试细节，请参阅完整论文。 得益于强大的推理能力，OpenAI o1-preview 不出所料地领先。不过，一些开源模型也有不错的表现。如 DeepSeekCoderv2-Instruct，在 AP（高级编程）、OS（操作系统）和其他类别中得到高分，拉开了与其他开源模型的差距。OpenCoder-1.5B-Instruct、Qwen2.5-Coder-7B-Instruct、Qwen2.5-Coder-14B-Instruct 在其各自的开源组别中拔得头筹，并超越了一些更高参数级别的模型。
