Trajectory-Aware Benchmark Subset Selection for Cost-Efficient Software Engineering Agent Regression Testing

{"title": "借力轨迹，九折测全", "subtitle": "论文讲的是：利用智能体测试时的行动路径特征，从大规模回归测试中选出最具代表性的小样本来大幅降低成本。", "content": " 问题\n想象一下，你刚给一个能写代码的AI助手（SWE-Agent）修了个Bug，现在要验证它是不是变强了还是变弱了。最稳妥的办法是把几百道题全部重跑一遍。但这太贵了，跑完一次测试要消耗价值几百万美元的算力token，这成了卡脖子的瓶颈。有人提出挑出部分题目来代表整体效果，但随便抽题方差太大，可能刚好抽到简单的或者难缠的，导致结果根本不可信。如果选错了样本，你就可能被虚假的好指标迷惑，或者直接错失严重的性能衰退。\n\n 翻译\n刚才那个"