ترجمه فارسی مقاله تنوع هوش را تقویت می کند: یکپارچه سازی تخصص عوامل مهندسی نرم افزار

چکیده

Large language model (LLM) agents have shown great potential in solving real-world software engineering (SWE) problems. The most advanced open-source SWE agent can resolve over 27% of real GitHub issues in SWE-Bench Lite. However, these sophisticated agent frameworks exhibit varying strengths, excelling in certain tasks while underperforming in others. To fully harness the diversity of these agents, we propose DEI (Diversity Empowered Intelligence), a framework that leverages their unique expertise. DEI functions as a meta-module atop existing SWE agent frameworks, managing agent collectives for enhanced problem-solving. Experimental results show that a DEI-guided committee of agents is able to surpass the best individual agent’s performance by a large margin. For instance, a group of open-source SWE agents, with a maximum individual resolve rate of 27.3% on SWE-Bench Lite, can achieve a 34.3% resolve rate with DEI, making a 25% improvement and beating most closed-source solutions. Our best-performing group excels with a 55% resolve rate, securing the highest ranking on SWE-Bench Lite. Our findings contribute to the growing body of research on collaborative AI systems and their potential to solve complex software engineering challenges.

چکیده به فارسی (ترجمه ماشینی)

عوامل مدل بزرگ زبان (LLM) پتانسیل زیادی در حل مشکلات مهندسی نرم افزار در دنیای واقعی (SWE) نشان داده اند.پیشرفته ترین عامل منبع باز SWE می تواند بیش از 27 ٪ از موضوعات واقعی GitHub را در SWE-Bench Lite حل کند.با این حال ، این چارچوب های عامل پیشرفته نقاط قوت مختلفی را نشان می دهند ، در حالی که در دیگران کم تحرک است ، در برخی کارها عالی است.برای مهار کامل تنوع این عوامل ، ما DEI (تنوع هوش توانمند) را پیشنهاد می کنیم ، چارچوبی که از تخصص منحصر به فرد آنها استفاده می کند.DEI به عنوان یک ماژول متا در بالای چارچوب های عامل SWE موجود ، مدیریت می کند و مدیریت جمع آوری مشکل برای حل مسئله را افزایش می دهد.نتایج تجربی نشان می دهد که یک کمیته با هدایت دی با هدایت قادر به عملکرد بهترین عامل فردی با حاشیه بزرگی است.به عنوان مثال ، گروهی از عوامل SWE با منبع باز ، با حداکثر میزان حل و فصل فردی 27.3 ٪ در SWE-Bench Lite ، می توانند با DEI به میزان 34.3 ٪ حل و فصل دست یابند و باعث بهبود 25 ٪ و ضرب و شتم بیشتر راه حل های منبع بسته می شوند.گروه بهترین عملکرد ما با 55 ٪ Resolve برتری دارد و بالاترین رتبه را در SWE-BENCH LITE تضمین می کند.یافته های ما به رشد بدنه تحقیق در مورد سیستم های مشترک هوش مصنوعی و پتانسیل آنها برای حل چالش های پیچیده مهندسی نرم افزار کمک می کند.