SERA: Agenti di Repository Efficienti a Verifica Morbida

Abstract

Gli agenti di codifica open-weight dovrebbero detenere un vantaggio fondamentale rispetto ai sistemi closed-source: possono essere specializzati per codebase privati, codificando informazioni specifiche del repository direttamente nei loro pesi. Tuttavia, il costo e la complessità dell'addestramento hanno mantenuto questo vantaggio puramente teorico. Dimostriamo che ora è pratico. Presentiamo Soft-Verified Efficient Repository Agents (SERA), un metodo efficiente per l'addestramento di agenti di codifica che consente la creazione rapida ed economica di agenti specializzati per codebase privati. Utilizzando solo il fine-tuning supervisionato (SFT), SERA ottiene risultati allo stato dell'arte tra i modelli completamente open-source (dati, metodo, codice aperti) eguagliando le prestazioni di modelli open-weight all'avanguardia come Devstral-Small-2. Creare modelli SERA è 26 volte più economico del reinforcement learning e 57 volte più economico dei precedenti metodi basati su dati sintetici per raggiungere prestazioni equivalenti. Il nostro metodo, Soft Verified Generation (SVG), genera migliaia di traiettorie da un singolo repository di codice. Combinato con l'efficienza dei costi, ciò consente la specializzazione per codebase privati. Oltre alla specializzazione per repository, applichiamo SVG a un corpus più ampio di codebase, generando oltre 200.000 traiettorie sintetiche. Utilizziamo questo dataset per fornire un'analisi dettagliata delle leggi di scaling, delle ablation study e dei fattori confondenti per l'addestramento di agenti di codifica. Nel complesso, riteniamo che il nostro lavoro accelererà notevolmente la ricerca sugli agenti di codifica open e dimostrerà il vantaggio dei modelli open-source che possono specializzarsi per codebase privati. Rilasciamo SERA come primo modello della serie Open Coding Agents di Ai2, insieme a tutto il nostro codice, i dati e l'integrazione con Claude Code per supportare la comunità di ricerca.

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: Agenti di Repository Efficienti a Verifica Morbida

SERA: Soft-Verified Efficient Repository Agents

Abstract

Support