본 논문은 대규모 언어 모델(LLM)이 생성한 소프트웨어 아티팩트(코드 조각, 패치, 주석 등)의 정확성을 평가하는 새로운 지표인 SWE-Judge를 제시합니다. 기존의 자동 평가 지표들이 정확성이 떨어지고, 사람의 평가는 비용이 많이 들고 확장성이 부족하다는 문제점을 해결하기 위해, SWE-Judge는 5가지 독립적인 평가 전략(judge)을 활용하고, 동적 팀 선택 메커니즘을 통해 최적의 judge 조합을 선택하여 최종 정확성 점수를 산출합니다. CoNaLa, Card2Code, HumanEval-X, APPS, APR-Assess, Summary-Assess 등 다양한 소프트웨어 엔지니어링 벤치마크(코드 생성, 자동 프로그램 수정, 코드 요약)에서 기존 자동 평가 지표보다 사람의 판단과의 상관관계가 5.9%~183.8% 향상되었으며, 코드 생성 및 프로그램 수정 작업에서 사람 간의 평가 일치도와 비슷한 수준의 일치도를 달성함을 실험적으로 보여줍니다.
