一、今日重点：模型端调试与架构迁移

今天主要集中在模型端测试与 OpenHands 架构重构。

在模型端方面，我重新配置了 Tool 加载逻辑，并与服务器评测端设置完成对齐，最终成功跑通完整流程。在当前配置下确认：

ToolCall 是必须启用的。

同时发现原使用的 OpenHands V1.0.0 架构存在结构性问题，不适合作为稳定评测基线，因此决定迁移至更稳定版本。

---

二、问题排查与修复

1. 工作流与旧文件整理

• 清理历史遗留脚本
• 整理旧版流程配置
• 重构当前主流程结构

---

2. 卡死与 Timeout 问题修复

问题表现：

• 推理阶段长时间卡死
• Timeout 后未正确释放

修复措施：

• 启用流式输出（stream=True）

效果：

• 卡死问题明显改善

---

3. 评测端输出上限问题

发现评测端未设置最大输出限制，导致：

• Token 堆积
• 运行速度下降
• 处理效率极低

后续需增加：

• 最大生成 token 限制
• 输出截断保护

---

4. Patch 匹配问题

在 SWE-bench Verified 评测中发现：

• Patch 格式不匹配
• ToolCall 格式异常导致解析失败

结论：

工具调用格式对 OpenHands 行为影响显著。

---

三、native_tool_calling 配置建议

对于 Qwen2.5-Coder-7B-Instruct + OpenHands + SWE-bench Verified：

建议显式设置：

native_tool_calling: true

原因：

• 避免自动启发式判断（默认 None 不稳定）
• 使用结构化工具格式
• 提升模型工具调用稳定性
• Qwen 系列支持原生工具调用

---

四、版本选择：迁移至 OpenHands v0.54.0

选择原因：

• 数据生成版本为 v0.54.0
• 固定评测版本保证一致性
• v0.55.0 引入 security_risk 参数，增加复杂度

关键评测配置：

enable_history_truncation = false
enable_default_condenser = true
condenser.type = noop
enable_condensation_request = false

---

五、架构迁移完成

架构对比

项目	原始	新版 v0.54.0
包管理	uv	poetry
推理方式	swebench-infer	run_infer.sh
Docker	手动 build	自动 per-instance
LLM 配置	json	config.toml
评测	swebench-eval	eval_infer.sh

---

六、当前进展

✅ 架构迁移完成

✅ ToolCall 流程跑通

✅ 推理与评测链路打通

明日计划

在新架构中完整测试原始流程，验证是否能够稳定跑通 SWE-bench Verified 评测。