We're building a dataset to evaluate AI coding agents - how well a model handles real-world developer tasks. You'll create challenging tasks and evaluation criteria within realistic simulated environments:
Build realistic developer environments - a virtual company with codebase, infrastructure, and context (tickets, docs, conversations) that forms a believable development history
Design tasks from intermediate states of these environments - craft the prompt, define what "solved" means, and ensure the task is solvable by an AI agent
Write tests that verify agent solutions - accept all valid approaches and reject incorrect ones, neither too strict nor too lenient
Iterate on tasks and tests based on QA feedback - review agent solutions, analyze failures, and refine until the evaluation is fair and robust
What this is NOT: Not data labeling Not prompt engineering Not writing code from scratch - the agent writes most of the code; you guide and evaluate
Frontier models are already good at coding. Creating a task that genuinely challenges the best models is non-trivial. You need to deeply understand where models fail and what scenarios reveal the difference between a good and a bad solution. Tasks have many valid solutions - writing tests that accept all correct solutions and reject incorrect ones is harder than it sounds.
How it works Apply Pass qualification(s) Join a project Complete tasks Get paidEffort estimate Tasks for this project are estimated to take 30 hours to complete, depending on complexity. This is an estimate and not a schedule requirement; you choose when and how to work. Tasks must be submitted by the deadline and meet the listed acceptance criteria to be accepted. Compensation: Paid per accepted task. Your rate depends on the qualification tier you reach and how efficiently you complete tasks up to the equivalent of $200/hr . Because payment is per task, a faster pace raises your effective hourly rate.
Desired Candidate Profile
We're building a dataset to evaluate AI coding agents - how well a model handles real-world developer tasks. You'll create challenging tasks and evaluation criteria within realistic simulated environments: Build realistic developer environments - a virtual company with codebase, infrastructure, and context (tickets, docs, conversations) that forms a believable development history Design tasks from intermediate states of these environments - craft the prompt, define what "solved" means, and ensure the task is solvable by an AI agent Write tests that verify agent solutions - accept all valid approaches and reject incorrect ones, neither too strict nor too lenient Iterate on tasks and tests based on QA feedback - review agent solutions, analyze failures, and refine until the evaluation is fair and robust What this is NOT: Not data labeling Not prompt engineering Not writing code from scratch - the agent writes most of the code; you guide and evaluate
8+ years in software development Core stack: Python (FastAPI), JavaScript/TypeScript (React), Docker, Postgres, Kafka, Redis Experience writing tests (functional, integration) English proficiency - B2+
نحن نبني مجموعة بيانات لتقييم وكلاء ترميز الذكاء الاصطناعي - مدى قدرة النموذج على التعامل مع مهام المطورين في العالم الواقعي. ستنشئ مهام صعبة ومعايير تقييم ضمن بيئات محاكاة واقعية:
بناء بيئات مطور واقعية - شركة افتراضية بها قاعدة كود وبنية تحتية وسياق (تكلف التذاكر، المستندات، المحادثات) تشكل تاريخ تطوير قابل للاقتناع
تصميم مهام من حالات وسيطة لهذه البيئات - صغ الدعوة، حدد ما معنى "تم الحل»، وتأكد من أن المهمة قابلة للحل بواسطة وكيل ذكاء اصطناعي
اكتب اختبارات تتحقق من حلول الوكلاء - اقبل جميع الأساليب الصحيحة ورفض الأساليب الخاطئة، لا تكون صارمة جدًا ولا متساهلة جدًا
كرر المهام والاختبارات بناءً على تعليقات الجودة - استعرض حلول الوكيل، حلل الفشل، وحسن حتى يصبح التقييم عادلًا وقويًا
ما هذا ليس: ليس تصنيف بيانات ليس هندسة الدعوة ليس كتابة كود من الصفر - الوكيل يكتب معظم الكود؛ أنت توجه وتقيّم
نماذج frontier جيدة في الترميز بالفعل. إعداد مهمة تتحدى فعليًا أفضل النماذج ليس أمرًا بسيطًا. تحتاج إلى فهم عميق لأين تفشل النماذج وأي سيناريوهات تكشف الفرق بين حل جيد وآخر سيئ. لدى المهام العديد من الحلول الصحيحة - كتابة اختبارات تقبل جميع الحلول الصحيحة وتقف عند رفض الحلول الخاطئة أصعب مما يبدو.
كيف تعمل: تطبيق - اجتياز التأهيل - الانضمام إلى مشروع - إكمال المهام - الدفع
تقدير الجهد - مهام هذا المشروع مقدَّرة بـ 30 ساعة لإكمالها، حسب التعقيد. هذا تقدير وليس متطلبًا زمنيًا؛ تختار متى وكيف تعمل. يجب تقديم المهام قبل الموعد النهائي وتلبية معايير القبول المذكورة ليتم قبولها. التعويض: مدفوع مقابل المهمة المقبولة. معدل راتبك يعتمد على طبقة التأهيل التي تصل إليها ومدى كفاءتك في إكمال المهام حتى ما يعادل 200 دولار/ساعة. بما أن الدفع يتم per task، فإن وتيرة أسرع ترفع معدل ساعتك الفعلي.
ملف المرشح المرغوب
نحن نبني مجموعة بيانات لتقييم وكلاء ترميز الذكاء الاصطناعي - مدى قدرة النموذج على التعامل مع مهام المطورين في العالم الواقعي: بناء بيئات مطور واقعية - شركة افتراضية بها قاعدة كود وبنية تحتية وسياق (التذاكر، المستندات، المحادثات) تشكل تاريخ تطوير قابل للاقتناع تصميم مهام من الحالات الوسيطة لهذه البيئات - صغ الدعوة، حدد ما معنى "تم الحل»، وتأكد من أن المهمة قابلة للحل بواسطة وكيل ذكاء اصطناعي اكتب اختبارات تتحقق من حلول الوكلاء - اقبل جميع الأساليب الصحيحة ورفض الأساليب الخاطئة، لا تكون صارمة جدًا ولا متساهلة جدًا كرر المهام والاختبارات بناءً على تعليقات QA - استعرض حلول الوكيل، حلل الإخفاقات، وحسن حتى يجعل التقييم عادلًا وقويًا ما هذا ليس: ليس تصنيف بيانات ليس هندسة الدعوة ليس كتابة كود من الصفر - الوكيل يكتب معظم الكود؛ أنت توجه وتقيّم
8+ سنوات في تطوير البرمجيات - التكدس الأساسي: بايثون (FastAPI)، JavaScript/TypeScript (React)، Docker، Postgres، Kafka، Redis - خبرة في كتابة الاختبارات (وظيفية، تكامل) - إجادة الإنجليزية B2+