SERA : Agents de Répertoires Efficaces à Vérification Souple

papers.abstract

Les agents de codage à poids ouverts devraient détenir un avantage fondamental sur les systèmes propriétaires : ils peuvent être spécialisés pour des bases de code privées, en encodant des informations spécifiques au dépôt directement dans leurs poids. Pourtant, le coût et la complexité de l'entraînement ont maintenu cet avantage au stade théorique. Nous démontrons qu'il est désormais pratique. Nous présentons les Agents de Dépôt Efficaces à Vérification Souple (SERA), une méthode efficace pour entraîner des agents de codage qui permet la création rapide et économique d'agents spécialisés pour des bases de code privées. En utilisant uniquement du fine-tuning supervisé (SFT), SERA obtient des résultats à l'état de l'art parmi les modèles entièrement open-source (données, méthode, code ouvertes) tout en égalant les performances de modèles à poids ouverts de pointe comme Devstral-Small-2. La création de modèles SERA est 26 fois moins chère que l'apprentissage par renforcement et 57 fois moins chère que les méthodes précédentes utilisant des données synthétiques pour atteindre des performances équivalentes. Notre méthode, la Génération à Vérification Souple (SVG), génère des milliers de trajectoires à partir d'un seul dépôt de code. Combinée à la rentabilité, cela permet la spécialisation à des bases de code privées. Au-delà de la spécialisation par dépôt, nous appliquons SVG à un plus grand corpus de bases de code, générant plus de 200 000 trajectoires synthétiques. Nous utilisons cet ensemble de données pour fournir une analyse détaillée des lois d'échelle, des ablations et des facteurs confondants pour l'entraînement d'agents de codage. Dans l'ensemble, nous pensons que notre travail accélérera considérablement la recherche sur les agents de codage ouverts et démontrera l'avantage des modèles open-source pouvant se spécialiser pour des bases de code privées. Nous publions SERA comme premier modèle de la série Open Coding Agents de Ai2, ainsi que tout notre code, nos données et notre intégration Claude Code pour soutenir la communauté de recherche.

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.

SERA : Agents de Répertoires Efficaces à Vérification Souple

SERA: Soft-Verified Efficient Repository Agents

papers.abstract

Support