如何在单机一小时内运行 SWE-bench Verified
bayes.net 上确实有一篇标题为 "How to run SWE-bench Verified in one hour on one machine" 的文章，说明作者认为这件事在单机上是可行的。但需要先说明：输入资料只提供了该文章的标题，没有给出正文中的具体命令、环境配置或硬件要求。因此下面能确认的是"作者做过这件事"以及"SWE-bench Verified 是什么、怎么用"，具体的一小时流程需要你打开原文对照操作。
先确认 SWE-bench Verified 是什么
SWE-bench 是一套用真实 GitHub 仓库的 issue 和对应修复提交来评测代码模型的基准。模型需要读懂 issue、定位代码、生成补丁，再由测试判断补丁是否让原本失败的测试通过。
SWE-bench Verified 是其中经过人工筛选的子集，剔除了描述不清或无法可靠判定的任务，因此更适合作为对比基准。bayes.net 的另一篇文章 "Shut up and SWE-bench" 提到，作者从 Verified 中"261 个被标注为需要 15 分钟到 1 小时完成的任务"里随机抽了 100 个做实验——这说明 Verified 的任务带有预估耗时标注，你可以据此挑选适合自己时间预算的子集。
单机运行的大致前提
要在一台机器上跑起来，通常需要满足这些条件（属于通用方法，非原文细节）：
- 算力：如果评测的是本地模型，需要足够的 GPU 显存；如果调用 API 模型，则主要消耗网络和额度。
- 磁盘：每个任务要检出对应仓库的代码快照，仓库数量多时占用可观。
- Docker 或等价隔离环境：SWE-bench 官方流程用容器来保证依赖和测试环境一致，这是最容易被忽略的一步。
- Python 环境与依赖：评测框架本身、以及各任务仓库各自的依赖。
"一小时"这个目标能否达成，取决于你评测的模型是本地还是远程、机器性能、以及是否只跑任务子集。原文标题给出的是作者的经验值，不代表任何机器都能复现。
建议的操作顺序
- 先读原文：打开 bayes.net 上那篇文章，按作者给出的步骤走。这是唯一能对应"一小时"这个具体承诺的来源。
- 缩小任务范围：不要一上来跑完整 Verified。参考 "Shut up and SWE-bench" 的做法，从标注为 15 分钟到 1 小时的任务里抽样，先跑 5–10 个验证流程是否通畅。
- 先跑通一个任务：确认容器能起、测试能跑、评分能出结果，再批量。
- 记录失败原因：区分"模型补丁不对"和"环境没配好"，后者会污染你的评测结论。
常见卡点
- 环境不一致：某个仓库的测试在本地能过、在容器里不过，多半是依赖版本问题。
- 把环境失败当成模型失败：如果测试根本没跑起来，分数没有意义。
- 忽略任务筛选：直接跑全集会大幅拉长时间，且不同难度任务混在一起不好解读。
关于 bayes.net 本身
bayes.net 是一个个人技术博客，近期文章覆盖 AI 评测（SWE-bench 相关）、概率与统计、Docker 运维、以及一些个人项目记录。它不是 SWE-bench 的官方站点，相关文章属于作者的个人实验与方法分享。如果你要引用其中的数字或结论，注意区分"作者实测"和"官方基准结果"。