Consider pinning public-skill context in benchmark metadata
まだ誰も着手していません。
評価
- 難易度
- 5/5
- 見積もり時間
- 1週間以上
- 初心者へのやさしさ
- 38/100
- issue の種類
- 機能追加
- 明瞭さ
- おおむね明確
- 活発さ
- 静か
- 技術スタック
- python
調査の方向性
まず、ベンチマークのメタデータ/設定と、load_public_skills() を呼び出しているパスを特定し、次に EXTENSIONS_REF と読み込まれた skill 名がどのように解決されるかを追跡します。ref と skills を記録する、固定された ref を文書化する、または opt-out をサポートする、という選択肢のいずれかを決める前に、既存のベンチマークのドキュメントとメタデータ出力を確認します。再現性に関する決定が実装され、メタデータまたはドキュメントに反映されれば完了です。
索引モデルが issue の本文から書いたものです。
説明
Context
During a local SWE-bench smoke evaluation on an HPC/Apptainer setup, I temporarily added an environment variable to disable load_public_skills() so the run only reflected the benchmark prompt, tools, model checkpoint, and dataset instance.
That local change was not kept for upstreaming because public skills are part of the current OpenHands benchmark harness and are standardized through OpenHands/extensions.
Reproducibility question
For controlled model comparisons, it may still be useful to make the skill set explicit in run metadata, because public skills are loaded from external extension content rather than being fully described by the benchmark repo commit alone. If the extension ref changes, two runs using the same benchmark commit/model/dataset could differ in available skill context.
Possible directions
- Record the resolved
EXTENSIONS_REFand loaded skill names in benchmark metadata. - Add documentation recommending a pinned
EXTENSIONS_REFfor benchmark papers or checkpoint comparisons. - Consider an explicit opt-out only for ablation/control runs, if maintainers think that is appropriate.
Non-goal
This is not proposing to disable public skills by default. The issue is only to decide whether benchmark metadata/config should make the loaded public skill context more explicit for reproducibility.
- 主要言語
- Python
- スター
- 134
- フォーク
- 97
- 平均マージ
- 8日 23時間
- マージ済み PR(30日)
- 2
環境構築
- Dockerfile・Docker Compose ファイルなし
- プルリクエストのテンプレートなし
- コントリビューションガイドを読む
はじめの一歩
- issue を最後まで読み、次にプロジェクトのコントリビューションガイドを読みます。
- 着手することを issue にコメントします — 二人が同じ作業をするのを防げます。
- リポジトリをフォークし、ブランチを切って変更します。
- issue 番号を参照したプルリクエストを送ります。
OpenHands/benchmarks のほかの issue
-
SWE-bench Pro and ProgramBench reports leave out instances that errored during inference再び着手できるかも @jahanvipandey22 が 8 日前に担当しましたが、オープン中のプルリクエストはありません。 オープン
難易度 3/5 半日 初心者へのやさしさ 62/100
OpenHands/benchmarks#791 · コメント 1 件 ·
-
create_docker_workspace never reuses locally-built images (tag mismatch with DockerDevWorkspace)オープン
難易度 3/5 1〜2日 初心者へのやさしさ 68/100
OpenHands/benchmarks#779 ·
-
難易度 5/5 1週間以上 初心者へのやさしさ 35/100
OpenHands/benchmarks#776 ·
-
難易度 5/5 1週間以上 初心者へのやさしさ 28/100
OpenHands/benchmarks#764 · コメント 16 件 ·
-
難易度 5/5 1週間以上 初心者へのやさしさ 35/100
OpenHands/benchmarks#726 ·
OpenHands/benchmarks の issue をすべて見る
似ている issue
-
難易度 2/5 1〜3時間 初心者へのやさしさ 76/100
trycua/hermes-cua-spaces#17 ·
-
area:codegen backend:hip bug direction:output good first issue
難易度 2/5 1〜3時間 初心者へのやさしさ 76/100
メンテナーはふだん 1 日以内に返信
-
status:waiting-for-triage type:bug
難易度 2/5 1〜3時間 初心者へのやさしさ 67/100
microsoftgraph/msgraph-sdk-python#1628 ·
メンテナーはふだん 1 日以内に返信
-
bug
難易度 2/5 1〜3時間 初心者へのやさしさ 77/100
nautechsystems/nautilus_trader#5718 ·
メンテナーはふだん 1 日以内に返信
-
[Bug]: reme CLI crashes when the running server used a relative config path対応中かも @nurlanmnn が今日担当しました。 オープン
難易度 2/5 1〜3時間 初心者へのやさしさ 88/100
agentscope-ai/ReMe#770 ·
メンテナーはふだん 1 日以内に返信