도커리스: 코딩 에이전트를 위한 환경 독립적 프로그램 검증기

초록

프로그램 검증기는 코딩 에이전트 훈련에서 중심적인 역할을 수행하며, 지도 학습 미세 조정(SFT)을 위한 궤적 선택과 강화 학습(RL)을 위한 보상 제공을 포함한다. 표준적인 실행 기반 검증은 Docker 이미지와 같은 저장소별 환경 내에서 단위 테스트를 실행해야 하므로, 상당한 환경 구축 비용이 발생한다. 우리는 Dockerless를 제안한다. 이는 환경 없이 동작하는 에이전틱 패치 검증기로, 생성된 코드 패치를 실행하지 않고 평가한다. Dockerless는 후보 패치를 참조와 단순히 매칭하는 대신, 에이전틱 저장소 탐색을 통해 수집된 증거를 활용하여 패치의 정확성을 판단한다. 검증기 평가 벤치마크에서 Dockerless는 가장 강력한 오픈소스 검증기보다 AUC 점수 14.3포인트 더 높은 성능을 보였다. Dockerless를 SFT 궤적 필터이자 RL 보상으로 사용함으로써 완전히 환경 없는 사후 훈련 파이프라인이 가능해진다. 그 결과로 얻어진 모델은 SWE-bench Verified, Multilingual, Pro에서 각각 62.0%, 50.0%, 35.2%의 해결률을 달성했다. 이는 Qwen3.5-9B 기준선보다 각각 2.4, 8.7, 2.9포인트 높은 수치로, 환경 기반 사후 훈련에 필적하는 성과이다.

English

Program verifiers play a central role in training coding agents, including selecting trajectories for supervised fine-tuning (SFT) and providing rewards for reinforcement learning (RL). Standard execution-based verification requires running unit tests inside per-repository environments such as Docker images, incurring substantial environment setup costs. We propose Dockerless, an environment-free agentic patch verifier that evaluates generated code patches without executing them. Rather than simply matching candidate patches to references, Dockerless judges patch correctness using evidence gathered through agentic repository exploration. On a verifier evaluation benchmark, Dockerless outperforms the strongest open-source verifier by 14.3 AUC points. Using Dockerless as both the SFT trajectory filter and the RL reward enables a fully environment-free post-training pipeline. The resulting model reaches 62.0%, 50.0%, and 35.2% resolve rate on SWE-bench Verified, Multilingual, and Pro, respectively. It surpasses the Qwen3.5-9B baseline by 2.4, 8.7, and 2.9 points, matching environment-based post-training.