SWE-World : Construction d'agents d'ingénierie logicielle dans des environnements sans Docker

papers.abstract

Les récents progrès des grands modèles de langage (LLM) ont permis aux agents d'ingénierie logicielle de s'attaquer à des tâches complexes de modification de code. La plupart des approches existantes reposent sur des retours d'exécution provenant d'environnements conteneurisés, qui nécessitent une configuration complète des dépendances et une exécution physique des programmes et des tests. Bien qu'efficace, ce paradigme est gourmand en ressources et difficile à maintenir, compliquant considérablement l'entraînement des agents et limitant leur extensibilité. Nous proposons SWE-World, un framework sans Docker qui remplace les environnements d'exécution physique par un substitut appris pour l'entraînement et l'évaluation des agents d'ingénierie logicielle. SWE-World exploite des modèles basés sur des LLM entraînés sur des données réelles d'interaction agent-environnement pour prédire les résultats d'exécution intermédiaires et les retours finaux des tests, permettant aux agents d'apprendre sans interagir avec des environnements conteneurisés physiques. Cette conception préserve la boucle d'interaction standard agent-environnement tout en éliminant le besoin de construction et de maintenance coûteuses des environnements lors de l'optimisation et de l'évaluation des agents. De plus, comme SWE-World peut simuler les résultats finaux d'évaluation des trajectoires candidates sans soumission réelle, il permet de sélectionner la meilleure solution parmi plusieurs tentatives au moment du test, facilitant ainsi une mise à l'échelle efficace au moment du test (TTS) dans les tâches d'ingénierie logicielle. Les expériences sur SWE-bench Verified démontrent que SWE-World améliore Qwen2.5-Coder-32B de 6,2 % à 52,0 % via un SFT sans Docker, à 55,0 % avec du RL sans Docker, et à 68,2 % avec un TTS supplémentaire. Le code est disponible à l'adresse https://github.com/RUCAIBox/SWE-World

English

Recent advances in large language models (LLMs) have enabled software engineering agents to tackle complex code modification tasks. Most existing approaches rely on execution feedback from containerized environments, which require dependency-complete setup and physical execution of programs and tests. While effective, this paradigm is resource-intensive and difficult to maintain, substantially complicating agent training and limiting scalability. We propose SWE-World, a Docker-free framework that replaces physical execution environments with a learned surrogate for training and evaluating software engineering agents. SWE-World leverages LLM-based models trained on real agent-environment interaction data to predict intermediate execution outcomes and final test feedback, enabling agents to learn without interacting with physical containerized environments. This design preserves the standard agent-environment interaction loop while eliminating the need for costly environment construction and maintenance during agent optimization and evaluation. Furthermore, because SWE-World can simulate the final evaluation outcomes of candidate trajectories without real submission, it enables selecting the best solution among multiple test-time attempts, thereby facilitating effective test-time scaling (TTS) in software engineering tasks. Experiments on SWE-bench Verified demonstrate that SWE-World raises Qwen2.5-Coder-32B from 6.2\% to 52.0\% via Docker-free SFT, 55.0\% with Docker-free RL, and 68.2\% with further TTS. The code is available at https://github.com/RUCAIBox/SWE-World

SWE-World : Construction d'agents d'ingénierie logicielle dans des environnements sans Docker

SWE-World: Building Software Engineering Agents in Docker-Free Environments

papers.abstract

Support