SERA: Agentes de Repositorio Eficientes de Verificación Suave
SERA: Soft-Verified Efficient Repository Agents
January 28, 2026
Autores: Ethan Shen, Danny Tormoen, Saurabh Shah, Ali Farhadi, Tim Dettmers
cs.AI
Resumen
Los agentes de codificación de pesos abiertos deberían tener una ventaja fundamental sobre los sistemas de código cerrado: pueden especializarse para bases de código privadas, codificando información específica del repositorio directamente en sus pesos. Sin embargo, el costo y la complejidad del entrenamiento han mantenido esta ventaja en el plano teórico. Demostramos que ahora es práctica. Presentamos Soft-Verified Efficient Repository Agents (SERA), un método eficiente para entrenar agentes de codificación que permite la creación rápida y económica de agentes especializados en bases de código privadas. Utilizando solo ajuste fino supervisado (SFT), SERA logra resultados de vanguardia entre los modelos completamente de código abierto (datos, método y código abiertos) mientras iguala el rendimiento de modelos de pesos abiertos de frontera como Devstral-Small-2. Crear modelos SERA es 26 veces más barato que el aprendizaje por refuerzo y 57 veces más barato que los métodos anteriores de datos sintéticos para alcanzar un rendimiento equivalente. Nuestro método, Soft Verified Generation (SVG), genera miles de trayectorias a partir de un único repositorio de código. Combinado con la rentabilidad, esto permite la especialización para bases de código privadas. Más allá de la especialización de repositorios, aplicamos SVG a un corpus más grande de bases de código, generando más de 200,000 trayectorias sintéticas. Utilizamos este conjunto de datos para proporcionar un análisis detallado de las leyes de escalamiento, ablaciones y factores de confusión para el entrenamiento de agentes de codificación. En general, creemos que nuestro trabajo acelerará enormemente la investigación sobre agentes de codificación abierta y demostrará la ventaja de los modelos de código abierto que pueden especializarse para bases de código privadas. Publicamos SERA como el primer modelo de la serie Open Coding Agents de Ai2, junto con todo nuestro código, datos e integración con Claude Code para apoyar a la comunidad investigadora.
English
Open-weight coding agents should hold a fundamental advantage over closed-source systems: they can be specialized to private codebases, encoding repository-specific information directly in their weights. Yet the cost and complexity of training has kept this advantage theoretical. We show it is now practical. We present Soft-Verified Efficient Repository Agents (SERA), an efficient method for training coding agents that enables the rapid and cheap creation of agents specialized to private codebases. Using only supervised finetuning (SFT), SERA achieves state-of-the-art results among fully open-source (open data, method, code) models while matching the performance of frontier open-weight models like Devstral-Small-2. Creating SERA models is 26x cheaper than reinforcement learning and 57x cheaper than previous synthetic data methods to reach equivalent performance. Our method, Soft Verified Generation (SVG), generates thousands of trajectories from a single code repository. Combined with cost-efficiency, this enables specialization to private codebases. Beyond repository specialization, we apply SVG to a larger corpus of codebases, generating over 200,000 synthetic trajectories. We use this dataset to provide detailed analysis of scaling laws, ablations, and confounding factors for training coding agents. Overall, we believe our work will greatly accelerate research on open coding agents and showcase the advantage of open-source models that can specialize to private codebases. We release SERA as the first model in Ai2's Open Coding Agents series, along with all our code, data, and Claude Code integration to support the research community.