Newest papers

SWE-DIVE: Multi-Turn Coding Agent Evaluation with Dynamic User Simulation

Lorenz Brehme, Benjamin Jeremiah Steenhoek, Ruth Breu · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.30047 · cited by 0 works (OpenAlex) · open-access PDF

Russian

Кодирующие агенты, как правило, оцениваются с помощью одноразовых, хорошо сформулированных запросов. Бенчмарки, такие как SWE-bench, используют существующие проблемы GitHub в качестве ввода для агента кодирования и оценивают, успешно ли агент решает задачу. Однако в реальных случаях использования, запросы часто не так хорошо сформулированы или структурированы, как существующие проблемы GitHub. Кроме того, сессия кодирующего агента не ограничивается одним запросом; это обычно включает в себя многоразовое взаимодействие, в котором пользователь итеративно добавляет новые задачи и требования, которые агент должен выполнять. Чтобы сравнить эти способности, мы разработали SWE-DIVE, динамическую, интерактивную валидацию и оценку рамок для сравнительного кодирования агентов в

Machine translation (Meta M2M100); the English original follows.

Abstract

Coding agents are typically evaluated using one-shot, well-formulated prompts. Benchmarks such as SWE-bench use existing GitHub issues as input for a coding agent and evaluate whether the agent successfully solves the task. However, in real-world use cases, prompts are often not as well-formulated or structured as existing GitHub issues. Additionally, a coding agent session is not limited to a single prompt; it typically involves a multi-turn interaction in which the user iteratively adds new tasks and requirements that the agent must fulfill. To benchmark these abilities, we developed SWE-DIVE, a dynamic, interactive validation and evaluation framework for benchmarking coding agents in a multi-turn environment. To achieve this, we introduce a user simulator that can simulate different behavioral patterns and communicate with the coding agent. We also introduce a conversation validator that evaluates the user simulator's outputs to determine whether they fulfill the initial requirements and guide the agent toward successfully solving the task. The entire framework is embedded in a Harbor environment, which orchestrates the coding agent, user simulator, and conversation validator, and executes the test environment to determine whether the agent successfully solves the task. Our results and source code are available in our GitHub repository (https://github.com/lorenzbrehme/swe-dive_usersim).

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Computer science, Coding (social sciences), Benchmarking, Conversation, Source code, Validator

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange