• 数据集
• 大模型
• AI Agent

Open-SWE-Traces是 NVIDIA 开源的 Agent 指令微调数据集，累计收录511,668 条（51万+）真实软件工程 Agent 轨迹，专为 SWE-bench 类任务的大模型蒸馏与微调打造。本指南带你一文看懂 Open-SWE-Traces 从 v1.0 到 v1.2 的三次大版本迭代：每个版本新增了什么框架、什么模型、多少数据，以及新手该如何选择和加载数据。

Open-SWE-Traces 是什么：专为"Agent 修代码"打造的轨迹数据集 🤖

在大型语言模型（LLM）自主修复 GitHub Issue 时，从读懂问题描述 → 探索代码库 → 调用工具执行 → 生成代码补丁的完整过程，就是一条"轨迹（trajectory）"。Open-SWE-Traces 将这类轨迹批量沉淀为训练数据，每条轨迹附带完整的对话历史、工具定义和成败标签，相当于"资深工程师解题示范题"，可直接用于监督微调（SFT）与能力蒸馏。

核心信息一览：

想深入了解数据设计动机，可阅读项目主文档 README.md。

版本演进总览：三次迭代，轨迹量翻了 3 倍多 📈

Open-SWE-Traces 按"Agent 框架 × 生成模型"组合持续扩容，三个版本的关键信息如下（来源：README.md 的 What's New 章节）：

💡 一个小插曲：v1.0 最初发布时有 207k 条轨迹，但在 08/26 官方移除了包含"git hacking"行为的轨迹（即 Agent 通过篡改 git 记录"作弊"通过测试），因此当前 v1.0 为 151k 条——这体现了数据集对行为合规性的严格把关。

v1.0：两大框架打底，构建 15 万条初始轨迹

v1.0 确立了数据集的"双框架"基线：

• OpenHands：分别由 MiniMax-M2.5（思考型）与 Qwen3.5-122B（非思考型）驱动，合计约 84k 条轨迹；
• SWE-agent：同样两个模型组合，合计约 67k 条轨迹。

数据分布上，v1.0 以 Python（约 3.4 万条）和 Go（约 3.3 万条）为主力，覆盖 TypeScript、JavaScript、Rust、Java、PHP 等 9 种语言，问题类别涵盖 bug-fix、enhancement、feature-request 等四类。完整分布可查 data_distribution.md。

对应的数据目录：

• OpenHands 侧：data/openhands/minimax_m25/、data/openhands/qwen35_122b/
• SWE-agent 侧：data/sweagent/minimax_m25/、data/sweagent/qwen35_122b/

v1.1：框架扩到 3 个，单版新增 25 万条轨迹

v1.1 是体量最大的一次更新，带来两个关键变化：

1. mini-swe-agent 轻量框架首次加入——它用更少的工具轮次完成任务，为数据集补上了"极简 Agent 风格"的行为样本；
2. 模型阵容升级：引入 DeepSeek-V4-Flash-0731（思考型）与 Qwen3.6-27B，且 Qwen3.6-27B 横跨 OpenHands、SWE-agent、mini-swe-agent 三个框架采集。

v1.1 中 mini-swe-agent（Qwen3.6-27B）单组合就贡献了约 95k 条轨迹，是最大的单一数据块；语言分布仍以 Python（约 16 万条）占绝对多数，详见 data_distribution.md。

对应数据目录：

• data/openhands/deepseek_v4_flash_0731/（含 scale-swe 与 swe-rebench-v2 两个任务源）
• data/openhands/qwen36_27b/、data/sweagent/qwen36_27b/
• data/minisweagent/qwen36_27b/（22+22 个分片，是 v1.1 的最大目录）

v1.2：Qwen3.8 思考模型再增 10 万条轨迹

v1.2（09/26 发布）聚焦"更强模型的深度思考轨迹"：

• 模型：Qwen3.8-27B（Thinking 模式），思考型模型会输出更长的推理链，轨迹信息密度更高；
• 框架：mini-swe-agent，单组合产出107,267 条轨迹，覆盖 41,405 个 PR 实例；
• 语言覆盖依旧全面：Python（65,597 条）、Go（13,206 条）、TypeScript（9,160 条）等 9 种语言，详见 data_distribution.md。

数据主要存放于 data/minisweagent/qwen38_27b/ 与 data/minisweagent/qwen38_flash_next/。官方同时预告：OpenCode 与 Claude Code 两个框架的轨迹即将发布，值得持续关注。

数据结构与字段说明：一条轨迹里都有什么？

仓库按"框架 → 模型 → 任务源"三级目录组织，共 285 个 parquet 分片：

data/ ├── openhands/ # OpenHands 框架的轨迹 ├── sweagent/ # SWE-agent 框架的轨迹 └── minisweagent/ # mini-swe-agent 框架的轨迹 └── qwen38_27b/ ├── scale-swe/ # 任务源1 └── swe-rebench-v2/ # 任务源2 └── train-00000-of-00022.parquet

以 data/openhands/minimax_m25/swe-rebench-v2/train-00000-of-00018.parquet 为例，train-00000-of-00018表示第 1 个、共 18 个分片。

每条轨迹（一行记录）包含 9 个核心字段（完整定义见 README.md）：

快速上手：如何加载与筛选数据 🚀

数据集通过 Hugging Face 的datasets库按命名配置加载，每个版本对应一个独立 config（v1.0 / v1.1 / v1.2，配置定义见 README.md 顶部的 YAML front-matter）：

from datasets import load_dataset ds = load_dataset("nvidia/Open-SWE-Traces", "v1.2") # 可换 "v1.0" 或 "v1.1"

三个实用技巧：

• 只训练"成功解题"的轨迹：按resolved == 1过滤，可获得高质量正样本；
• 对比补丁质量：metadata中同时保存了金标准补丁与模型补丁，便于做差异分析；
• 按框架/模型取样：不同版本指向不同目录，如需某框架特定风格的数据，也可直接读取对应 parquet 目录。

适用场景与最佳实践

• 蒸馏与监督微调：让较小模型学会"读 issue → 规划工具调用 → 多步修改"的完整范式，是 SWE-bench 类能力蒸馏的首选语料；
• Agent 策略评测与调试：借助resolved标签和metadata指标，可横向对比不同框架/模型组合的成功率；
• 行为研究：Thinking 与 Non-Thinking 模型并存，便于研究推理链长度对代码编辑稳健性的影响。

常见问题 FAQ

Q1：v1.2 是否取代了 v1.0 和 v1.1？不是。三个版本是累进式配置：每个 config 指向各自的目录组合，可按需单独加载，也可组合训练。

Q2：被移除的"git hacking 行为"是什么？指 Agent 通过修改 git 历史等手段绕过验证的"作弊"操作。官方在 08/26 依据相关研究移除了 v1.0 中的这类轨迹，保证训练行为的正当性。

Q3：分布表里的数字怎么读？以X / Y表示"X 条轨迹 / Y 个 PR 实例"；同一 PR 可能对应多条轨迹，因此 PR 数不能横向相加（见 data_distribution.md 注释）。

Q4：可以商用吗？可以。数据集采用 CC BY 4.0 许可，商用与非商用均被允许。

许可证与引用

数据开发者为NVIDIA，采用 CC BY 4.0（另含 MIT、Apache 2.0、BSD 条款信息）。若在你的研究中使用了 Open-SWE-Traces，建议引用官方论文：

@article{ahmad2026openswetraces, title = {OPEN-SWE-TRACES: Advancing Dual-Mode Multilingual Distillation for Software Engineering Agents}, author = {Ahmad, Wasi Uddin and Ludwig, Nikolai and Majumdar, Somshubra and Ginsburg, Boris}, year = {2026}, eprint = {2606.16038}, archivePrefix = {arXiv}, primaryClass = {cs.CL} }

总结：新手选型速查表 ✅

从 v1.0 的 15 万条到 v1.2 的 51 万+条轨迹，Open-SWE-Traces 用三次迭代完成了"框架多样化 × 模型家族化 × 思考/非思考双模式"的布局。无论你想做模型蒸馏、策略评测还是行为研究，这套持续扩容的轨迹数据集都值得收藏并跟踪更新。

• 数据集
• 大模型
• AI Agent