AWS宣布推出新測試基準SWE-PolyBench，目的是評估人工智慧程式代理人在多語言環境下，處理真實世界開發任務的能力，涵蓋Python、Java、JavaScript與TypeScript四種主流語言，並透過複雜程式碼修改情境，驗證代理人在跨檔案、跨類別的程式碼導航與理解能力。
SWE-PolyBench測試基準由2,110筆實際GitHub Issue與PR（Pull Request）資料所構成，並包含一組500筆的實驗子集SWE-PolyBench500，方便快速迭代測試，期望彌補現有SWE-Bench測試集偏重Python與除錯任務的侷限。
SWE-PolyBench強調實務導向的任務設計，任務類型涵蓋錯誤修正、新功能開發與程式碼重構，不侷限於單一問題類型或語言，能更準確模擬人工智慧代理人，在實際開發環境的應對表現。該基準不僅提供傳統的通過率統計，也新增檔案層級與語法樹節點層級的定位指標，進一步量化模型能否能準確找出需要修改的檔案、類別與函式。
根據AWS團隊的初步實驗結果，現有多數開源人工智慧程式代理人仍以Python為主要強項，面對需要修改三個以上檔案，或牽涉多類型語法結構的任務，表現明顯下降。以Aider-PB、Agentless-PB與SWE-agent-PB三種針對多語言測試環境所調整的模型版本為例，在JavaScript與TypeScript任務的平均通過率仍低於15％，表示目前主流模型訓練資源集中於Python，尚未能充分學習其他語言的程式結構特性。
AWS團隊表示，SWE-PolyBench是一套跨語言、具高複雜度的人工智慧程式代理測試資料集，現已於Hugging Face開源，搭配完整程式碼儲存庫，供研究者與開發者快速評估與比較不同人工智慧模型表現。
